POINEER Platform

POI Network for Early Evaluation and Recognition

Analysis Workflow

The POINEER platform follows a five-step analysis pipeline:

Step 01 MAF File Analysis
Step 02 Gene-level Analysis
Step 03 Gene Set Analysis
Step 04 Risk Prediction
Step 05 Molecular Subtype

Key Features

Easy File Upload

Support for MAF, CSV, TSV formats with intuitive drag-and-drop interface

Comprehensive Analysis

Complete workflow from mutation data to risk prediction with detailed statistics

AI-Powered Prediction

Pre-trained machine learning model for accurate POI risk assessment

Export Results

Download analysis results, matrices, and visualizations in multiple formats

Quick Start

  1. Navigate to Tools menu and select 1. MAF Analysis
  2. Upload your MAF format mutation file
  3. Follow the workflow through Steps 2, 3, and 4
  4. View and download your POI risk prediction results

MAF to Prediction Workflow

Complete analysis pipeline from MAF file to POI risk prediction

Analysis Workflow

The POINEER platform follows a four-step analysis pipeline:

Step 1: Upload MAF File

Sample Data

Load the sample file and run this step in one click.

Download
Click to upload MAF file
Support MAF format files (.maf, .txt, .tsv)

MAF File Format

MAF (Mutation Annotation Format) files contain mutation data with columns such as Hugo_Symbol, Tumor_Sample_Barcode, Variant_Classification, Chromosome, etc.

  • Required columns: Hugo_Symbol, Tumor_Sample_Barcode, Variant_Classification
  • The analysis will generate basic statistics, mutation spectrum plots, and sample distribution visualizations
  • Results include mutation counts per sample, variant type distribution, and chromosome distribution

Step 1: MAF File Upload & Analysis

Upload and perform preliminary analysis on MAF format mutation files

Sample Data

Load the sample file and run this step in one click.

Download
Click to upload MAF file
Support MAF format files (.maf, .txt, .tsv)

MAF File Format

MAF (Mutation Annotation Format) files contain mutation data with columns such as Hugo_Symbol, Tumor_Sample_Barcode, Variant_Classification, Chromosome, etc.

  • Required columns: Hugo_Symbol, Tumor_Sample_Barcode, Variant_Classification
  • The analysis will generate basic statistics, mutation spectrum plots, and sample distribution visualizations
  • Results include mutation counts per sample, variant type distribution, and chromosome distribution

Step 2: Gene-level Mutation Analysis

Transform MAF mutations to gene-level sample-gene mutation matrix

Gene-level Analysis

This step converts site-level mutations from MAF files into a gene-level mutation matrix, counting amino acid-changing mutations per gene per sample.

  • Input: MAF file or gene-sample mutation matrix from previous step
  • Output: Sample × Gene mutation count matrix
  • Visualization: Mutation heatmap, gene mutation statistics, sample distribution

Sample Data

Load the sample file and run this step in one click.

Download
Click to upload MAF file or use previous results
Support MAF format or CSV matrix (samples × genes)

Analysis Parameters

Step 3: Gene Set Mutation Burden Analysis

Calculate gene set mutation burden and perform statistical analysis

Gene Set Analysis

This step calculates the number of mutated genes within each gene set per sample, normalizes by gene set size, and performs statistical analysis.

  • Input: Gene-sample mutation matrix from Step 2
  • Gene set data: GMT file or converted gene set definitions
  • Output: Sample × Gene Set mutation burden matrix with statistics

Sample Data

Load the sample file and run this step in one click.

Download
Click to upload gene-sample mutation matrix
CSV format: rows=samples, columns=genes

Analysis Parameters

Step 4: Disease Risk Prediction

Predict POI risk based on gene set cluster mutation burden

Risk Prediction

This step aggregates gene set mutations by cluster, calculates cluster-level mutation burden, and uses the pre-trained POINEER model to predict POI risk.

  • Input: Gene set mutation count matrix from Step 3
  • Cluster mapping: Excel file with gene set to cluster assignments
  • Model: 13-feature elastic-net model (POINEER-v2-13feat) for POI risk prediction
  • Output: Prediction probabilities, risk categories, and visualizations

Sample Data

Load the sample file and run this step in one click.

Download
Click to upload gene set mutation matrix
CSV format: rows=gene sets, columns=samples

Molecular Subtype

Subtype POI-predicted samples based on key gene mutations

Molecular Subtype

For samples predicted as POI in Step 4, label protein K48-linked ubiquitination and/or regulation mitotic cell cycle based on mutations in UBE3B/UBE4B and MYO16/POLE/SPDL1. Then summarize counts and visualize the distribution.

  • Input: Gene mutation matrix (Step 2 output)
  • Input: Step 4 prediction results (CSV with sample_id and predict_label)
  • Output: Molecular subtype counts, barplot, and labeled prediction table

Sample Data

Load the sample file and run this step in one click.

Download Download
Upload Gene Matrix
CSV/TSV: rows=samples, columns=genes, values=mutation counts
Upload Prediction Results
CSV: includes sample_id and predict_label (from Step 4)

使用帮助

1. 平台简介

POINEER（POI Network for Early Evaluation and Recognition）围绕样本的遗传变异（SNV/Indel 等）计算 BP cluster 水平的突变负荷，并使用 13 特征弹性网（elastic-net）逻辑回归模型评估早发性卵巢功能不全（POI）的发病风险，输出连续概率与低/临界/高三档风险。模型在 174 例中国人群发现队列（88 例 POI / 86 例对照）上训练，并在独立病例队列中完成外部验证。本平台仅供科研使用。

注意：如需要使用模型进行预测，突变应在公共数据库（包括gnomAD和1000 Genomes）的东亚人群（EAS）中MAF < 1%。

1.1 分析流程

POINEER 平台提供五个步骤的完整分析流程：

  • 步骤1 - 数据导入：上传 MAF 突变文件并进行基础统计与质量控制
  • 步骤2 - 矩阵构建：将位点级突变转换为样本×基因突变矩阵
  • 步骤3 - 突变负荷：在 GO BP term 水平统计每个样本发生突变的基因个数（term 负荷），并做基因集大小归一化与统计分析
  • 步骤4 - 分类预测：按 BP cluster 聚合成员 term 的负荷得到 13 个特征，经 log1p + z-score 标准化后由弹性网模型输出风险概率与三档风险
  • 步骤5 - 分子分型：根据关键基因突变对 POI 样本进行分子亚型标注并统计分布

2. 各步骤详细说明

2.1 步骤1 - 数据导入

功能：上传 MAF 格式突变文件，进行基础统计分析和简单质量控制

输入格式：MAF (Mutation Annotation Format) 文件，必需列包括：

  • Hugo_Symbol：基因名称
  • Tumor_Sample_Barcode：样本ID
  • Variant_Classification：变异分类（如Missense_Mutation, Nonsense_Mutation等）
  • Chromosome：染色体位置（可选）

输出：基础统计信息、突变谱图、样本分布图、染色体分布图

2.2 步骤2 - 矩阵构建

功能：将 MAF 文件中的位点突变转换为基因水平的样本×基因突变矩阵

输入：MAF文件（来自步骤1）或已转换的基因-样本矩阵

输出格式：CSV文件，行为样本，列为基因，值为突变位点计数

输出内容：基因-样本突变矩阵、突变热图、基因突变统计

2.3 步骤3 - 突变负荷

功能：计算每个样本在各基因集中突变的基因个数（突变负荷），并进行标准化和统计分析

输入：步骤2生成的基因-样本突变矩阵

基因集来源：GO Biological Process（c5.go.bp.v2025.1.Hs.symbols）。

基因集突变负荷计算公式

$$\mathrm{BURDEN}_{\text{term}} = \sum_{i} \left(\mathrm{Gene}_i \times \mathrm{Weight}_i\right)$$

公式说明：

  • $\mathrm{BURDEN}_{\text{term}}$ 表示给定 GO Biological Process（BP）term 的突变负荷。
  • $\mathrm{Gene}_i$ Genei 表示第 i 个基因是否突变（突变为 1，未突变为 0）。
  • $\mathrm{Weight}_i$ Weighti 表示第 i 个基因在该 BP term 内的出现频次；同一基因在 BP term 中通常只出现一次，故权重取 1。

计算原理：对 BP term 内各基因的 Genei×Weighti 求和得到突变负荷；当 Weighti=1 时，该和等于该 term 内突变基因的数目。平台在可视化与统计中还可按基因集大小对负荷做归一化，以便比较不同大小的 term。

输出格式：CSV 文件，行为基因集（BP term），列为样本；值为该 term 内突变基因的个数；图表中可展示按基因集大小归一化后的负荷

输出内容：基因集突变负荷矩阵、统计信息（均值、中位数、最大值、最小值、标准差）、Top基因集箱线图

2.4 步骤4 - 分类预测

功能：将 BP cluster 的突变负荷特征送入 13 特征弹性网模型（POINEER-v2-13feat），输出 POI 风险概率与三档风险

输入：步骤3生成的基因集突变计数矩阵

基因集Cluster突变负荷计算公式

$$\mathrm{BURDEN}_{\text{cluster}} = \sum_{i} \mathrm{BURDEN}_{\text{term}_{i}}$$

公式说明：

  • $\mathrm{BURDEN}_{\text{cluster}}$ 表示给定 BP cluster 的突变负荷。
  • $\mathrm{BURDEN}_{\text{term}_{i}}$ 表示该 cluster 内第 i 个 BP term 的得分（score）。

计算原理：BP cluster 的突变负荷由该 cluster 内各 BP term 的 BURDENterm 得分求和得到；每个 term 的得分由步骤 3 的基因集（BP term）突变负荷公式计算。

处理流程：

  • 读取 BP cluster 定义（poineer13_clusters.json）：13 个模型特征及其各自的成员 GO BP term
  • 将每个特征对应 cluster 内全部成员 term 的突变负荷相加，得到 cluster 水平突变负荷
  • 对 13 个特征依次做 log1p 与 z-score 标准化（使用训练期固定的均值与标准差）
  • 弹性网逻辑回归输出 predict_prob，并按锁定阈值划分三档（rule-out ≤ 0.316 低风险、0.316–0.668 临界、rule-in ≥ 0.668 高风险）；单阈值 0.574 仅用于二分类标签 predict_label

输出内容：预测概率（predict_prob）、预测标签（predict_label：1=高风险，0=低风险）、风险档位（低/临界/高）、风险分布图、样本排名图

2.5 步骤5 - 分子分型

功能：在POI预测为高风险的样本中，根据关键基因的突变状态进行分子亚型标注

输入：步骤2的基因突变矩阵 与步骤4的预测结果（predict_label）

输出：分子分型计数、分子分型barplot、包含分子亚型字段的预测结果表格与下载文件

3. 示例文件下载

以下示例文件取自同一批 8 例真实队列样本（3 高风险 / 2 临界 / 3 低风险），与各分析步骤「一键运行示例」所用的数据完全一致，可依次跑通五个步骤：

MAF 示例文件
步骤1、步骤2 输入
基因矩阵示例
步骤2输出 / 步骤3、步骤5 输入
基因集矩阵示例
步骤3输出 / 步骤4输入
预测结果示例
步骤4输出 / 步骤5输入

4. 分析参数说明

  • 步骤1（数据导入）：自动进行基础统计与质控，无需额外参数
  • 步骤2（矩阵构建）：可设置显示的前N个基因和样本数量（默认各50个）
  • 步骤3（突变负荷）：可设置显示的前N个基因集（默认10个）
  • 步骤4（分类预测）：使用 13 特征弹性网模型；阈值在开发集上锁定，页面不可调整 —— rule-out 0.316 与 rule-in 0.668 用于三档风险，单阈值 0.574 用于二分类标签 predict_label
  • 步骤5（分子分型）：无需额外参数，对Step 4预测为高风险的样本按关键基因突变状态进行分型

5. 结果解读

步骤4输出字段说明：

  • predict_prob：POI发病风险概率（0-1之间），数值越高表示风险越大
  • predict_label：预测标签，1表示高风险，0表示低风险
  • risk_category：风险类别，High Risk（高风险）/ Equivocal（临界）/ Low Risk（低风险）

判定阈值（开发集锁定，页面不可调）——三档风险由一对临床阈值决定：rule-out 0.316（predict_prob ≤ 0.316 判为低风险，用于高敏感排除，覆盖约 95% 病例）、rule-in 0.668（≥ 0.668 判为高风险，用于高特异提示，约 95% 对照低于此值），两者之间 0.316–0.668 为临界灰区（建议进一步遗传学检测）。另有单阈值 0.574（开发集对照样本分数的 90% 分位），仅用于生成二分类标签 predict_label，并作为分子亚型分析的入选依据；该阈值落在灰区内部，与三档规则用途不同，不可混用。

步骤5输出字段说明：

  • molecular_subtype：分子分型结果（可能同时包含两种亚型，若同时满足则用分号分隔）
  • subtype_protein_K48_ubiquitination：关键基因的突变标记
  • subtype_regulation_mitotic_cell_cycle：关键基因的突变标记

6. POINEER-AI 智能助手

POINEER-AI 是内嵌于本平台的 POI 领域智能助手，点击右下角悬浮按钮即可唤起。它面向缺乏生物信息学背景的临床与科研用户，帮助解读分类结果、理解关键生物学过程，并实时检索相关文献。

助手由大语言模型驱动，经服务端代理调用；API 密钥仅保存在服务端，不会下发到浏览器。

主要能力：

结果解读

读取当前的分析结果（风险预测与分子分型），并结合平台锁定的判定规则给出结构化解读。

BP cluster 功能查询

查询关键 BP cluster（K48 泛素化、有丝分裂细胞周期调控）的功能机制、GO 编号与关键基因。

文献实时检索

通过 NCBI E-utilities 实时检索 PubMed，返回 PMID、标题、作者、期刊、年份与 DOI。

分析报告生成

汇总当前分析结果，生成标准化的 Markdown 分析报告，便于记录与整理。

使用方法：

  • 点击页面右下角的圆形图标打开对话面板
  • 用自然语言提问（中英文均可）；Enter 发送，Shift+Enter 换行
  • 若已运行过分析，助手会自动带入当前结果作为上下文；也可直接询问平台使用方法或 POI 相关知识

示例问题：

  • “我的预测结果中临界档代表什么？”
  • “K48 泛素化与 POI 有什么关联？”
  • “生成一份当前分析结果的报告。”

边界说明：助手仅作为结果解读层，不参与模型预测，也不会修改任何分析结果或判定阈值；其输出属于科研辅助信息，不构成临床诊断依据。

隐私说明：对话内容与当前分析结果的摘要会发送至模型服务用于生成回答；请勿在对话中提交受试者身份信息等敏感数据。

7. 常见问题

MAF文件上传失败

请确保MAF文件包含必需的列：Hugo_Symbol, Tumor_Sample_Barcode, Variant_Classification。文件可以是制表符分隔（.maf, .tsv）或逗号分隔（.csv）格式。

基因矩阵格式错误

基因-样本矩阵应为CSV格式，第一行为样本ID，第一列为基因名称，矩阵值为突变计数（整数）。请参考示例文件格式。

分析时间过长

分析时间取决于数据大小：MAF文件分析通常需要几秒到几分钟；基因矩阵转换可能需要几分钟；基因集分析和风险预测通常较快（几秒到几十秒）。

如何理解预测结果？

predict_prob 为 0–1 的风险概率，平台按两套规则解读。① 三档风险（用于临床沟通）：≤ rule-out 0.316 为低风险（POI 排除）、≥ rule-in 0.668 为高风险（POI 提示）、其间为临界（建议结合 panel 或随访进一步检测）。② 单阈值 0.574（用于二分类）：仅生成 predict_label（1=阳性，0=阴性），并决定哪些样本进入步骤5的分子亚型分析。三个阈值均在开发集上锁定、页面不提供调整；单阈值位于灰区内部，与三档规则不可混用。

8. 联系我们

如果您在使用本工具过程中遇到任何问题或有任何建议，请随时联系我们：

邮箱：xinyirong2020@126.com
地址：上海市徐汇区老沪闵路779号

我们的工作时间为周一至周五，9:00-17:00（北京时间）。我们会在24小时内回复您的邮件。

使用条款

1. 服务条款

欢迎使用POINEER指数计算平台。通过访问和使用本平台，您同意遵守以下使用条款和条件。如果您不同意这些条款，请不要使用本服务。

2. 数据隐私

我们重视您的数据隐私和安全：

  • 上传的数据仅用于POINEER指数计算，不会被存储或用于其他目的
  • 所有数据处理均在本地服务器完成，不会传输到第三方
  • 分析完成后，临时文件将被自动删除
  • 我们不会收集或存储任何个人身份信息

3. 使用限制

为确保服务质量和系统稳定，以下使用限制适用：

  • 单个文件大小不超过100MB
  • 每次分析的基因数量建议不超过50,000个
  • 请勿上传包含恶意代码或病毒的文件
  • 禁止进行任何可能损害系统安全的操作

4. 学术使用

本平台主要面向科研和学术用途：

  • 鼓励在学术研究中使用本平台进行数据分析
  • 如在发表的研究中使用了本平台，请适当引用
  • 商业用途需要事先获得许可

5. 免责声明

使用本平台时请注意：

  • 本平台提供的分析结果仅供参考，不构成医学或科学建议
  • 用户应对上传数据的合法性和准确性负责
  • 我们不对因使用本平台而产生的任何直接或间接损失承担责任
  • 平台可能因维护或升级而暂时不可用

6. 技术支持

如果您在使用过程中遇到技术问题或有任何疑问，请通过以下方式联系我们：

  • 查看帮助页面获取详细使用说明
  • 确保您的数据格式符合要求
  • 尝试使用示例数据验证平台功能

7. 条款更新

我们保留随时修改这些使用条款的权利。条款的任何更改将在本页面上发布。继续使用本平台即表示您接受修改后的条款。

最后更新时间：2026年09月21日

POINEER AI Assistant