現(xiàn)在生信熱點更新非常的快，但需要抓住新熱點剛出現(xiàn)時的紅利期，如果錯過了，只靠簡單的分析很難發(fā)高分的文章。

還有一種方法，就是從分析思路上進行創(chuàng)新，比如機器學(xué)習(xí)。

今天番茄君給大家找一篇只用一種機器學(xué)習(xí)算法挖掘信息的文章，6張圖6分+！

雖然分析的是代謝，但是分析思路非常新穎，是基于17條代謝途徑的富集評分構(gòu)建了代謝風(fēng)險評分模型，純生信也能輕松發(fā)表！(ps:?沒有思路、不知道怎么創(chuàng)新關(guān)注番茄君的公眾號，手把手教你打開思路！)一起來學(xué)習(xí)一下吧！

題目：基于隨機森林的代謝風(fēng)險模型評估卵巢癌的預(yù)后和代謝相關(guān)藥物靶點

雜志：Computers in Biology and Medicine

影響因子：IF=6.698

發(fā)表時間：2023年2月

一.數(shù)據(jù)來源

二.研究思路

首先使用隨機森林算法確定了17條具有預(yù)后價值的代謝途徑，構(gòu)建了基于代謝途徑富集評分的代謝風(fēng)險評分模型，并將卵巢癌患者分類為兩種亞型。然后研究了不同亞型在預(yù)后、差異基因表達、免疫特征富集、Hallmark特征富集和體細胞突變方面的差異。此外通過加權(quán)相關(guān)網(wǎng)絡(luò)分析確定了與高代謝風(fēng)險和低代謝風(fēng)險卵巢癌表型相關(guān)的5個藥物靶點，并研究了它們在卵巢癌發(fā)生中的作用。最后，開發(fā)了一個XGBoost分類器來預(yù)測卵巢癌患者的代謝風(fēng)險類型，預(yù)測效果良好。

三.主要結(jié)果

1.卵巢癌不同代謝風(fēng)險亞型的預(yù)后分析

作者在訓(xùn)練集中使用隨機森林算法挖掘了17條與預(yù)后相關(guān)的代謝途徑。在這些代謝途徑中，心磷脂代謝和維生素K代謝途徑的風(fēng)險比大于1，而其余代謝途徑的風(fēng)險比小于1（圖1A）。然后根據(jù)17條通路的富集評分構(gòu)建卵巢癌患者代謝風(fēng)險評分模型，并根據(jù)最優(yōu)閾值將卵巢癌患者分為高代謝風(fēng)險亞型和低代謝風(fēng)險亞型。隨后，作者比較了不同風(fēng)險亞型之間17條通路的富集分數(shù)。結(jié)果顯示，在訓(xùn)練集中，低代謝風(fēng)險亞型中大多數(shù)通路的富集得分顯著高于高代謝風(fēng)險亞型中的通路（圖1B）?；趯τ?xùn)練集和測試集中高代謝風(fēng)險亞型和低代謝風(fēng)險亞型患者的生存分析，觀察到低風(fēng)險亞型患者的總體生存優(yōu)于高風(fēng)險亞型患者（圖1C- D）。比較了TCGA隊列中高代謝風(fēng)險亞型和低代謝風(fēng)險亞型卵巢癌患者的總生存期，結(jié)果表明，低代謝風(fēng)險亞型的總生存期優(yōu)于高代謝風(fēng)險亞型。（圖1E）。

圖1 ?不同代謝風(fēng)險亞型的預(yù)后評估結(jié)果

2.高代謝風(fēng)險亞型和低代謝風(fēng)險亞型基因表達差異分析

作者進一步研究高代謝風(fēng)險亞型和低代謝風(fēng)險亞型的分子功能，在TCGA數(shù)據(jù)中對兩種風(fēng)險亞型進行了差異基因分析，共鑒定出1527個上調(diào)的差異表達基因和1510個下調(diào)的差異表達基因。使用clusterProfiler包，對差異基因進行了GO以及KEGG通路的富集分析。差異基因在線粒體翻譯延伸、RNA剪接和ATP合成耦合電子傳輸和亨廷頓病、帕金森病和化學(xué)致癌活性氧中顯著富集（圖2A-B）。

之后對TCGA隊列中卵巢癌患者的不同風(fēng)險亞型進行了Hallmark特征和ImmPort免疫特征的GSEA，發(fā)現(xiàn)六個Hallmark特征（如氧化磷酸化和干擾素-γ反應(yīng)）在低代謝風(fēng)險亞型中顯著富集，六種Hallmark特征（如上皮-間質(zhì)轉(zhuǎn)化和肌生成）和一種ImmPort免疫特征在高代謝風(fēng)險亞型中顯著富集（圖2C-D）。最顯著富集的四種Hallmark特征和ImmPort免疫特征的GSEA結(jié)果如圖2E-F。

圖2 ?TCGA隊列中不同風(fēng)險亞型的差異基因表達和GSEA結(jié)果

3.TCGA隊列中高代謝風(fēng)險亞型和低代謝風(fēng)險亞型的體細胞突變

作者分析了TCGA隊列中高代謝風(fēng)險亞型和低代謝風(fēng)險亞型之間體細胞突變的差異。使用maftoolsR包分析了TCGA隊列中高代謝風(fēng)險和低代謝風(fēng)險亞型的體細胞突變，并根據(jù)突變頻率列出前20個基因。在高代謝風(fēng)險亞型和低代謝風(fēng)險亞型中，存在多種突變類型，其中一些基因（如TP53、TTN、FLG2）在高風(fēng)險和低風(fēng)險亞型中均表現(xiàn)出高頻率突變（圖3A），而某些基因（如RALGAPA1、NPAS3、TNIK）的突變頻率在高代謝風(fēng)險亞型和低代謝風(fēng)險亞型之間存在顯著差異（圖3B）。研究結(jié)果表明，TNIK對于結(jié)腸腫瘤生長過程中WNT信號通路的激活至關(guān)重要，MUC16基因可作為癌癥治療的靶點，并且FASTKD5的缺失導(dǎo)致線粒體翻譯和電子傳遞鏈復(fù)合物上的氧化磷酸化缺陷。

圖3 TCGA隊列中不同風(fēng)險亞型的體細胞突變

4.?不同代謝風(fēng)險亞型的藥敏分析

作者檢查了不同代謝風(fēng)險亞型對紫杉醇和鉑類化療藥物的不同敏感性。TCGA卵巢癌患者化療藥物反應(yīng)數(shù)據(jù)已由Jia等人研究計算得出。使用GDSC數(shù)據(jù)庫的藥物數(shù)據(jù)，比較了不同風(fēng)險亞型患者的藥物IC50值。結(jié)果顯示，低風(fēng)險亞型對多西紫杉醇的藥敏顯著優(yōu)于高風(fēng)險亞型，高風(fēng)險亞型對紫杉醇的藥敏性顯著優(yōu)于低風(fēng)險亞型，而化療藥物順鉑的敏感性在兩種亞型之間沒有顯著差異（圖4A）。三種藥物的累積IC50比率表現(xiàn)出相同的分布（圖4B）。

圖4 ?不同代謝風(fēng)險亞型的藥敏分析

5.?TCGA?隊列中不同代謝風(fēng)險亞型的?WGCNA

作者使用WGCNA包構(gòu)建了一個基因共表達網(wǎng)絡(luò)，以識別TCGA隊列中與高和低代謝風(fēng)險表型相關(guān)的基因模塊。當軟閾值為5時，基因分布與無標度網(wǎng)絡(luò)的分布相匹配（圖5A），因此使用power=5構(gòu)建了共表達網(wǎng)絡(luò)。之后，基于層次聚類構(gòu)建基因聚類樹，并對基因模塊進行分類（圖5B）。通過計算模塊特征與高風(fēng)險和低風(fēng)險表型之間的相關(guān)性，生成了模塊與高風(fēng)險和低風(fēng)險表型之間的相關(guān)關(guān)系圖。棕色基因模塊與高風(fēng)險和低風(fēng)險表型的相關(guān)性最顯著（圖5C）。

圖5?基因共表達網(wǎng)絡(luò)構(gòu)建及相關(guān)性挖掘

6.?通過?XGBoost分類器預(yù)測高風(fēng)險和低風(fēng)險亞型

最后作者構(gòu)建了一個分類器，用于使用XGBoost R包預(yù)測訓(xùn)練集中的兩種風(fēng)險亞型。將識別出的17條代謝途徑的富集分數(shù)作為分類器的輸入樣本特征集，將高風(fēng)險和低風(fēng)險亞型特征作為樣本特征。對于訓(xùn)練集，分類器的樣本分類準確率為93.4%（圖6A）。為了進一步評估分類器的性能，分別計算了其在測試隊列和TCGA隊列中的分類準確率和AUC。結(jié)果顯示，測試集的分類準確率為82.9%，AUC為0.823（圖6B），TCGA隊列的分類準確率為97.6%，AUC為0.974（圖6C）。

圖6 XGBoost分類器的分類性能結(jié)果

四.文章小結(jié)

這個文章內(nèi)容比較豐富，使用的數(shù)據(jù)集也比較多，對數(shù)據(jù)的挖掘十分充分。主要亮點就是使用了17條通路的富集評分構(gòu)建的代謝風(fēng)險模型，識別卵巢癌患者的不同代謝風(fēng)險亞型，發(fā)現(xiàn)了代謝通路和免疫特征之間的關(guān)聯(lián)，為開發(fā)更準確的治療方法提供了新思路，得到的結(jié)果也比較可信，最后開發(fā)了一個XGBoost分類器。選題方向是生信熱點“代謝”，但并不拘泥于常規(guī)思路，分析思路非常新穎，創(chuàng)新性很不錯，再加上機器學(xué)習(xí)的助力，輕松發(fā)表6分+的純生信！值得借鑒~