手机网站源码教程,互动教学平台,百度网做网站吗,wordpress附件插件这一次我们从一些已经发表的文章拆解#xff0c;我们来看看#xff0c;你找到了一个核心基因以后#xff0c;你可以怎么做呢#xff1f;我们就不说那么多废话了#xff0c;直接用几篇文章的解读来带着大家领会一下如何去进行下一步的分析。Case1#xff1a;预后标志物免疫…这一次我们从一些已经发表的文章拆解我们来看看你找到了一个核心基因以后你可以怎么做呢我们就不说那么多废话了直接用几篇文章的解读来带着大家领会一下如何去进行下一步的分析。Case1预后标志物免疫浸润 第一篇文章是2019年发表在 Front Oncol(IF4.1437)名为UBASH3B Is a Novel Prognostic Biomarker and Correlated With Immune Infiltrates in Prostate Cancer的文章。 不得不说随着免疫检查点抑制剂在各种肿瘤治疗中大放异彩和免疫检查点抑制剂疗效相关的一些标志物也一起受到了广泛的关注比如说我们的第一个case“免疫浸润”就是一个很好的例子。免疫浸润不仅仅常用到肿瘤的免疫检查点抑制剂疗效中还有其他的疾病的发生发展也都和“免疫浸润”息息相关学习方法和套路然后从这个所谓的“套路思维”中跳出来这才是希望大家可以达到的。通过肿瘤组织和正常组织的mRNA表达发现核心基因在肿瘤组织中显著升高在转移的组织和恶性程度更高的组织中核心基因也更高其实我觉得还不如用Cox来筛选来得好有那么多基因都满足上面的两点作者为什么要研究UBASH3B这个基因或者是通过高通量筛选出只有UBASH3B满足上面的两个标准这样的方法更为严谨。通过核心基因的高低表达把人群分成2组做差异分析并得到差异基因(DEGs)通过上面的得到的DEGs进行通路富集来解释为什么会引起生存差异然后发现DEGs和显著激活差异的通路和免疫浸润相关最后做了一下核心基因和免疫浸润相关基因以及通路的相关性分析这样的思路的确是比较简单粗暴的肯定是可以这样的做的但是显然也可以做得更好。小结 首先可以建议大家可以补做CIBERSORT或者是xCell这样的分析不建议做Timer或者是Estimate因为信息量太少了。其次作者是有用到自己的数据的但是如果能有20-30个样本并且是带随访的RNAseq数据来进行筛选感觉说服力就强很多了当然作者为了增强说服力从多种维度进行验证弥补了缺陷。最后如果大家能有现成的基因敲除鼠或者是能够有免疫重建的PDX模型那么能在现在的基础上补做一些机制实验在10分左右还是很有希望的。Case2单基因多组学验证生存 第二篇文章是2020年发表在J Clin Med(IF5.688)上名为Opposite Roles of BAP1 in Overall Survival of Uveal Melanoma and Cutaneous Melanoma的文章这篇文章很简单大致内容如下核心基因的低表达组和缺失组有着更坏的生存然后用Cox回归分析也同样证明了第一步的结论扩展分析了核心基因的表达量和诊断年龄显著相关是的就这样戛然而止了很诧异。反思了一下这个可能是一个“约稿”毕竟JCM是MDPI的杂志他们杂志就爱搞这种“特刊约稿”的事情。当然按照题目作者发现了核心基因分别在uveal melanoma (UM) and cutaneous melanoma (CM)的生存意义是不一样的…这也算是一个重大发现吧… 那么我们从这篇文章的分析跳出来看看我们还可以做哪些东西从而做得更好呢如果找到一个和生存相关的基因接下来除了重复性质的验证你还可以做什么呢找到最合适的临界值建议xTile或者是tROC而不是直接的median用GSEA或者是ssGSEA来解释生存预后以及和核心基因的关系横向分析有很多除了作者做的年龄还有可以想到的临床分期分型肿瘤大小一些热门的score从核心基因本身出发探寻通路和互作关系本来有一篇文章要分析但是因为篇幅性质就没有放进来。那是讲的筛选出来的基因是一个自噬相关的基因。筛选出那个基因了以后就可以看看那个基因和自噬相关的通路那些是相关的如果运气好还可以在GEO看看说不定能找到一些别人调控过该基因的分析当然还可以通过疾病类型进行扩展分析比如说研究NSCLC的时候把LUAD和LUSC分开来做亚组补充分析的信息量Case3基因突变TMB免疫浸润 第二篇文章是2020年发表在Aging(IF5.515)上名为EP300 mutation is associated with tumor mutation burden and promotes antitumor immunity in bladder cancer patients的文章。 这篇文章的核心基因是EP300但是它和上面的文章不一样的是它是做的基因突变当然随着多组学数据的开放你可以做拷贝数变异可以做蛋白芯片可以做甲基化可以做乙酰化等RNA seq的数据最多并且干预调控比较容易大部分的时候大家都还是以RNAseq的数据为核心方式进行展开自己的文章。这篇文章为什么要研究EP300 mutation作者一步一步筛选出来就很有逻辑大家可以看一看定义Frequently Mutated Gene(FMG)→把TCGA和ICGC两个数据集中的FMGs取交集(11个基因)→TMB的差异分析(9个显著)→生存分析中仅EP300 mutation显著那么全文思路大致如下筛选了核心基因和TMB以及生存存在关联Cox回归分析验证核心基因和生存的关系GSEA分析看核心基因突变与否和通路激活程度的关系核心基因突变与否和CIBERSORT的免疫浸润之间的关系 讨论也比较简单这篇文章比较大的一个亮点是作者很有逻辑地筛选出来了EP300 mutation至于后面的分析的确是比较少了该作者既没有看那个基因突变是否和其他组学的关联也没有看是否有热点的突变扩展的分析也就止步于GSEA和CIBERSORT。其实我在想如果是能够从GSEA分析中找到一类通路然后和CIBERSORT的结合起来讲一个故事可能会更好或者是找到一些通路进行干预他们对一些表型的关系如果是有一些临床的样本结合上现实生活中ICIs治疗的案例配上case report的一些描述和影像资料我觉得文章还能再上一个档次。 三个案例分享完了希望大家能够从里面学到很多新的东西请点下右下角的在看哟哈哈哈其实厉害的同学会说这不就是所谓的单基因套路吗那我问你套路香吗当然香呀并且套路都没学会就开始高级创新了
