橘子，生信组技术支持，特征描述：生信分析实操仅做过数据下载和差异分析
Devil Cui，生信主管，特征描述：疑难解答总是超出你以为的详细
橘子前两天有个case比较急，把方案发给Devil Cui之后，备注如下：这个case申请加急，我只用了基础分析方法，麻烦在XX天之内出结果。
然后就被Devil Cui科普了一通分析过程/实际工作量/分析耗时/运行中可能遇到的问题/应该给出的解决方案，巴拉巴拉巴拉。。。。。。这个事件的主角之一就是LASSO回归模型，鉴于近期机器学习比较火，LASSO回归堪称发文神器，接下来我们一起来看看这一非基础分析到底是个啥？LASSO回归：全称Least Absolute Shrinkage and Selection Operator，通过对所有变量进行回归惩罚，使得相对不重要的变量系数变为0，从而被排除在建模之外，进而选择出对因变量影响较大的自变量并计算出相应的回归系数，最终得到一个预测模型。
看图说话：首先根据左图曲线最低点确定惩罚值（即曲线最低点对应的上坐标），在右图的相应惩罚值的位置划上一条竖线，每一条曲线代表一个变量，与该惩罚值相交的变量即为模型最终所纳入的变量，变量所对应的纵坐标即为该变量的回归系数（在回归方程中，回归系数表示自变量对因变量影响大小的参数，也可以理解为该变量的贡献度）。分析结果：通过该分析可以得到影响疾病发生的因素（这里筛选得到的是2个基因），风险值risk score就等于各变量的（表达量*回归系数）之和。预测模型建完了，接下来就要对模型的准确性进行评估了，（恰在此时，醒木一响）欲知后事如何，请听下回分解，今天就告一段落，再见。PS：这篇推文写好之后，我的小伙伴们先行阅读了一遍，大家纷纷吐槽过于直白（虽然是事实~~）。鉴于后续将推出一系列看图说话，接下来请大家自行决定后续是否要写的严肃一点：支持直白的请在文末点赞，支持严肃的请在文末点在看（可以名正言顺让Devil Cui亲自动笔了，哈哈），不要手滑哦。注：此推文未经许可禁止转载！
阅读推荐：