你好！本期悟空云带来加权分位数和(WQS)回归这个工具。
WQS工具见功能圈--回归和机器学习--30
为什么推荐大家了解 WQS？
在生物组学的研究中，常常遇到一类问题：
我们面对的是高维、高相关的变量集，比如几十到上百个蛋白质、代谢物、污染物或营养因子，它们可能同时作用于一个疾病表型、癌旁组织、转移状态……
但是，我们既想分析它们的整体作用效应，又想知道到底谁最重要。
这时，WQS（Weighted Quantile Sum）回归就是一个合适的工具。先把一组变量分位数化，再加权合成为一个指数，这个指数再拿去做回归，并用权重标出谁贡献最大。
这样你可以同时回答两个问题：
这一组变量对表型有没有整体影响？
到底是哪几个变量是关键？
视频要点
数据准备与格式：包括变量矩阵结构、缺失值处理、极端值与检出限（LOD）策略等；
参数设置：如分位数划分数与 bootstrap 次数等，并结合样本规模、变量特征提供设定建议；
结果解读：结果输出包括构建的加权分位数和指数对结局变量的回归系数及其显著性评估、各变量在指数中的权重值与排序，帮助找到对表型变化贡献最大的核心因子；
可视化：指数效应图、变量权重条形图等方式，方便项目成果展示。
使用视频
复制下述链接或点击“阅读原文”进入分析页面
https://wkomics.omicsolution.com/wkomics/main/
