生信文章好發(fā)不好發(fā)，關(guān)鍵看研究創(chuàng)新性有多高。常規(guī)思路，過時的研究對象，好發(fā)才怪呢。。。。

新穎的研究思路，巧妙的研究設(shè)計，前沿的研究方向，這些都是優(yōu)秀文章的加持項。

嗯？這些你都知道，但不知道怎么去找呢？還沒有參考思路？

快來關(guān)注生信鳥公眾號吧！！這里可以滿足你的所有發(fā)文章的要求，幫你實現(xiàn)快速發(fā)文的夢想，快來上車吧?。?！

布小谷就拿今天這篇4.3分+的文章為例，給大家簡單分析一下生信發(fā)文的思路和研究設(shè)計。本文將脂質(zhì)代謝和microRNA結(jié)合起來研究miRNAs在前列腺癌中的預后價值，采用多種機器學習算法篩選有預后價值的miRNAs，另外采用干濕結(jié)合的研究方法，使故事更加真實。看著每張圖都很簡單，連起來后整個故事非常完整，邏輯清晰。

題目：脂質(zhì)代謝相關(guān)miRNAs在前列腺癌癥中的潛在診斷作用

雜志：Lipids Health Dis.

影響因子：IF=4.321

發(fā)表時間：2023年3月

研究背景

前列腺癌癥（PCa）是世界上第二大男性實體腫瘤，其死亡率大大增加。脂質(zhì)代謝對腫瘤生長的影響已經(jīng)有研究，但脂質(zhì)代謝紊亂與前列腺癌相關(guān)的機制在很大程度上仍然難以捉摸。

數(shù)據(jù)來源

研究思路

從TCGA-PRAD中篩選差異表達基因并與脂質(zhì)代謝相關(guān)基因取交集，得到差異表達的脂質(zhì)代謝相關(guān)基因（DE-LMRGs）。再從TCGA-PRAD中篩選差異表達miRNAs并與DE-LMRGs進行相關(guān)性分析得到差異表達的脂質(zhì)代謝相關(guān)miRNAs（DE-LMRMs），然后與在GSE45604表達的miRNAs取交集得到穩(wěn)定表達的DE-LMRMs。接著應用最小絕對收縮和選擇算子（LASSO）、極限梯度增強（XGBoost）和支持向量機遞歸特征消除（SVM-RFE）算法來選擇特征miRNAs，并構(gòu)建脂質(zhì)代謝相關(guān)診斷模型。隨后使用qRT-PCR驗證所選DE-LMRMs在前列腺癌和良性前列腺增生標本中的表達水平。此外，構(gòu)建了轉(zhuǎn)錄因子-miRNA-mRNA網(wǎng)絡。

主要結(jié)果

1. 前列腺癌中DE-LMRGs的鑒定

從TCGA-PRAD中鑒定出519個DEGs，包括157個上調(diào)和362個下調(diào)的mRNA（圖1A）。與脂質(zhì)代謝相關(guān)基因取交集得DE-LMRGs（圖1C）。

圖1?前列腺癌中DE-LMRGs的鑒定

2. 前列腺癌中DE-LMRMs的鑒定

從TCGA-PRAD中鑒定出56個DEMs，包括48個上調(diào)和8個下調(diào)的miRNA（圖2A）。隨后，以?R <?-0.3和P?<?0.05為標準對DEMs和DE-LMRGs進行相關(guān)性分析，得到47個與脂質(zhì)代謝密切相關(guān)的DE-LMRMs，再與在GSE45604表達的miRNAs取交集得27個穩(wěn)定表達的miRNA用于進一步分析（圖2D）?

圖2 前列腺癌中DE-LMRMs的鑒定

3. 前列腺癌關(guān)鍵診斷miRNA的鑒定和驗證

為了篩選關(guān)鍵的診斷miRNA，首先進行ROC分析以初步縮小診斷miRNA的范圍，得到25個miRNAs（圖3A）。隨后，通過LASSO回歸、SVM-RFE算法、和XGBoost算法篩選并取交集到7個關(guān)鍵的診斷miRNA（圖3G）。為了驗證診斷特征的預測能力，對訓練集和驗證集繪制基于7個關(guān)鍵診斷miRNA的ROC曲線，結(jié)果顯示AUC值分別為0.99和1（圖3H和I）。具體而言，每個關(guān)鍵的診斷miRNAs在兩個數(shù)據(jù)集之間也表現(xiàn)出優(yōu)異的區(qū)分能力（圖3J和K）。qRT-PCR結(jié)果顯示，7種關(guān)鍵診斷miRNA在前列腺癌組織中的表達水平與前列腺增生組織相比存在顯著差異（圖4）。

圖3?前列腺癌關(guān)鍵診斷miRNA的鑒定和驗證

圖4?前列腺癌和前列腺增生組織中7種關(guān)鍵診斷miRNAs的表達水平

4. TF-miRNA-mRNA網(wǎng)絡與預后分析

通過StarBase和miRNET數(shù)據(jù)庫預測關(guān)鍵miRNAs靶基因，并分別與上調(diào)和下調(diào)DE-LMRGs取交集，得到76個下調(diào)和2個上調(diào)的靶基因，將其用于構(gòu)建miRNA-mRNA調(diào)控網(wǎng)絡（圖5A-B和D）。類似地，預測到miR-200c-3p的兩個TF結(jié)合位點，即GATA3和SANI2（圖5E-F）。隨后整合miRNA-TF（圖5F）和miRNA-mRNA網(wǎng)絡（圖5D）得到25個靶向mRNA以及miR-200c-3p的2個TF結(jié)合位點來構(gòu)建TF-miRNA-mRNA網(wǎng)絡（圖5G）。

圖5 TF-miRNA-mRNA調(diào)控網(wǎng)絡的建立

文章小結(jié)

這篇文章將脂質(zhì)代謝相關(guān)基因和非編碼RNA聯(lián)系起來篩選預后靶標，設(shè)計巧妙，采用干濕結(jié)合的研究方法使研究結(jié)構(gòu)完整。這篇文章采用多種機器學習算法（LASSO、SVM-RFE和XGBoost）篩選預后基因，不僅使預后價值更加可靠，也減少了實驗驗證的工作量。整篇文章思路比較新穎，驗證比較充分，發(fā)4分+也是手拿把掐。對這研究思路感興趣的朋友，抓緊行動起來吧！

布小谷之聲

如果您的時間和精力有限或者缺乏相關(guān)經(jīng)驗，并且對生信分析和思路設(shè)計有所需要的話，“生信鳥”非常樂意為您提供如下服務：免費思路評估、付費生信分析和方案設(shè)計以及實驗項目實施等，有意向的小伙伴歡迎咨詢布小谷哦！?