基因雷达地址：https://www.gcbi.com.cn/gcanalyze/html/generadar/index

1.概述

GCBI上每个基因的具体信息，都有多个数据库的支撑。数据库对基因注释的详细程度，可以反映出这个基因的科研情况，为此我们统计了人类5万多基因在每个数据库被注释的次数，以此来反映基因在不同层面的信息。

2.科研热度

2.1介绍

根据基因在数据库中的注释情况，我们从相关文献、通路、功能、已验证的靶向miRNA、和疾病五个角度来统计和评价基因研究情况。

1.相关文献：被文献报道的总次数；

2.通路：即根据kegg数据库(Kyoto Encyclopedia of Genes and Genomes，京都基因与基因组大百科全书），统计基因参与的通路的数量；

3.功能：即根据Go数据库（Gene Ontology，基因本体学数据库），统计基因参与的功能(生物过程)的数量。

4.已验证的靶向microRNA：已经有文献发表验证的miRNA的数量。

5.疾病：已经有文献发表的疾病数量。

2.2 方法学

我们利用基因在数据库中注释的次数，除以该数据库注释最多的基因的数量，得到某个基因的权重值，根据权重值我们绘制了基因的雷达图。

权重值计算：

A基因的权重=A基因参与的功能数量/功能统计最高值

例如，基因FGFR1通路权重= FGFR1参与的通路数量8/MAPK1参与通路最多的数量67=0.12

中位数=该层面存在数据的基因计算权重后，去除0的中位数。

2.3 DEMO说明

3.相关疾病

3.1介绍

每篇文献都有关联的基因和疾病种类，疾病雷达就是根据文献内容，挖掘出基因与疾病的对应关系。

3.2 方法学

我们利用Mesh数据库中的疾病分类，从Pubmed数据库对基因在疾病中被报道的次数进行挖掘，绘制了基因报道次数最多的前20种疾病的柱状图。

3.3 DEMO说明

4.调控网络

4.1介绍

每个基因与基因之间都有非常多的调控关系，我们从基因相关的转录因子、miRNA、lncRNA和上下游相关基因的四个角度来展示基因与基因间的关系。

1.转录因子：已经有文献报道的相关转录因子；

2.miRNA：已经有文献报道的相关miRNA；

3.lncRNA：依据文献挖掘可能有关的lncRNA；（准确性较弱）

4.上下游相关基因：依据kegg数据库(Kyoto Encyclopedia of Genes and Genomes，京都基因与基因组大百科全书）的基因上下游关系。

4.2 方法学

调控网络是依据基因在Pubmed，Mesh，KEGG等数据库中的对于基因相对应的其他基因的关系，从而构建基因的调控网络。

miRNA和转录因子都为已有报道文献。

上下游相关基因为依据KEGG数据库(Kyoto Encyclopedia of Genes and Genomes，京都基因与基因组大百科全书）中的基因上下游关系提取而来。

lncRNA为将文献经过Mesh数据库中的疾病名称进行过滤，通过对过滤然后文献的关键字进行挖掘所得到的对应关系。即只要一篇文献的挖掘出的关键字既有基因，又有lncRNA即判断这两者之间可能在某个疾病上具有一定程度的相关性（相关性较弱）。

4.3 DEMO说明

5.转录因子预测

5.1介绍

基于每个基因的转录本（Ensembl数据库GRCh38版本）对起始位点上游2000bp下游500bp通过Transfac数据库进行转录因子预测结果，获得对应转录本相关的转录因子结果。

5.2 方法学

预测评分：基于Transfac数据库的2个预测分值后的整合分值。（分值越接近于1可靠性越高）

区域是否存在甲基化位点：基于COSMIC数据库的甲基化信息对预测出来的转录因子的结合区域进行注释，判断该结合区域上是否存在甲基化位点。

区域是否存在SNP位点：基于dbSNP数据库的SNP信息对预测出来的转录因子的结合区域进行注释，判断该结合区域上是否存在SNP位点。

推荐度：依据Transfac数据库的预测分值和COSMIC数据库以及dbSNP数据库是否存在对应注释信息整合出推荐度；以推荐度来表示预测出来的转录因子的科研价值，推荐度越高越好。

5.3 DEMO说明

6.表达概况

6.1介绍

表达概况是基于TCGA的RNA-SEQv2数据中的标准化数据文件中的表达值进行直接使用(数据收集时间为2016年6月)，来客观的展示基因在33种肿瘤的癌组织和正常组织的表达情况。