z-score：
比如，某样本的100个snv的深度差别很大。但是，想画这些点的深度图。值大的与值小的点，通过不同颜色很容易区分开来；但是，值大的与值中等大的点，不容易区分。这时，可以把深度转换为z-score，使深度值变小，再用不同颜色区分不同深度值。
R中进行normalization的方法：
计算z-score；quantile；scale；lowess
建模：
现有100个样本，每个样本有50个snp的vaf值。另一方面，知道每个样本对某化疗药是否的临床信息。
即：每个样本的信息如下：(0对化疗药是否敏感， （0.1, 0.5，0.2，0.9，.....，0.8, 0.3,0.9）50个snp的vaf值）。
据此，可以构造分类器：snp的vaf值与是否敏感之间的关系。
分类器构建完成后，可用于：来了一个新样本，我检测这个样本的50个snp的vaf值。将vaf值输入分类器，即可得知该样本对化疗药物是否敏感。
画图技巧：
1. x轴画control，y轴画tumor。
2. 图中的空白区域尽量少。
3. 项目初期的探索阶段，尽量画散点图。
数据处理：
技巧：
1. 让数据更集中，图更好看。
方法：取log。取log后可以让数据更集中，得到的图趋势更明显。
比如，A样本深度1000，B样本深度10000。如果直接展示该图，则坐标轴的变化幅度特别大。 如果取10的log，则A样本的值为3，B样本的值为4，坐标轴只相差1。
2. 消除不同样本之间测序深度的差异。
方法1：取比值，再取比值的log（这一步可做可不做）。
比如，样本1的处理前和处理后的gene A的表达值分别是1和100；样本2的处理前和处理后的gene A的表达值分别是5和500。由此，可以看出，样本2在geneA的深度是样本1的5倍。如何消除这种样本之间的深度差异呢？
取比值后，样本1的geneA的ratio是100/1=100；样本2的geneA的ratio是500/5=100。这样，样本1和样本2的深度上的差异就消除了。
方法2：对每个深度值取log10，取完log后，再比较样本1和样本2。取log后，样本1:变为：0~10。样本2:变为：log5~10+log5。（还不是很清楚这一点。这属于数据处理过程中的技巧。）
p-value：
拒绝零假设的概率。零假设一般是与想要的假设相反的假设。
比如，我期待这个位点发生突变，我的零假设是：这个位点没有发生突变。然后，证明零假设是小概率事件（概率<0.01）。这样，就证明了！零假设是大概率事件。
详细的描述：ref是参考基因组中该位点的碱基，如A，alt是某人测得的该位点的碱基，X。零假设：此人该位点的碱基是A。证明零假设是小概率事件。那么此人在该位点的碱基与ref不一致，不是A，即：此人在该位点的碱基发生了突变。
统计：
分布、检验：分布的累积就是检验。
偏离指数（deviation index，DI）：待补充。
data.table的用法：
a[, nrow(.SD), by = list(Up, Down)]