經(jīng)常會聽到有人抱怨，為什么腫瘤的數(shù)據(jù)那么多？相比之下，非腫瘤疾病數(shù)據(jù)少多了。

小云偷偷告訴你：多又多的好處，但非腫瘤疾病也有它本身的妙處！

腫瘤數(shù)據(jù)雖多，但競爭激烈呀，需要從分析內(nèi)容、分析思路上找創(chuàng)新，才能發(fā)一篇分值還不錯的生信文章。

沒有思路、不知道怎么創(chuàng)新的找小云，超多個性化、創(chuàng)新性高的分析思路供你選擇！

與之相反，非腫瘤雖然數(shù)據(jù)不多，但是只要增加點創(chuàng)新性，不用很多很復(fù)雜的分析內(nèi)容，就能發(fā)一篇不錯的生信文章。

小云今天就拿鐵死亡為例，帶你看看非腫瘤疾病關(guān)聯(lián)鐵死亡，如何輕輕松松的發(fā)5分+的純生信文章的。

研究思路

從GEO和鐵死亡數(shù)據(jù)庫(FerrDb)中下載了冠狀動脈疾?。–AD）相關(guān)數(shù)據(jù)和鐵死亡相關(guān)基因（FRGs）。經(jīng)LASSO和SVM-RFE算法鑒定出7個與CAD相關(guān)的差異鐵死亡相關(guān)基因（DE-FRGs）作為CAD的標(biāo)記基因，進(jìn)行功能富集，并獲得靶向標(biāo)記基因的藥物，構(gòu)建ceRNA調(diào)控網(wǎng)絡(luò)，并利用CIBERSORT分析CAD患者免疫微環(huán)境的改變及與標(biāo)記基因的相關(guān)性。

主要研究結(jié)果

1.篩選DE-FRGs并進(jìn)行功能分析

237個FRGs中有10個在CAD和正常組之間存在差異表達(dá)，其中5個上調(diào)，5個下調(diào)。進(jìn)行GO富集和Reactome途徑分析，表明DE-FRGs可能通過參與調(diào)控自噬、免疫細(xì)胞、細(xì)胞因子等在CAD中發(fā)揮作用（圖1）。

圖1. DE-FRGs和功能分析

2.將7個DE-FRGs作為CAD的標(biāo)記基因

采用兩種不同的機(jī)器學(xué)習(xí)算法（LASSO和SVM-RFE），最終確定7個標(biāo)記基因。基于上述7個標(biāo)記基因構(gòu)建Logistic回歸模型，ROC曲線顯示，7個標(biāo)記基因回歸模型AUC = 0.748。同時分別對7個標(biāo)記基因繪制了ROC曲線，所有基因的AUC均大于0.6。說明回歸模型比單個標(biāo)記基因具有更高的準(zhǔn)確性和特異性。

通過單基因GSEA-KEGG通路分析，進(jìn)一步探索標(biāo)記基因在區(qū)分疾病樣本和正常樣本中的潛在功能，結(jié)果圖展示了各標(biāo)記基因富集的top10通路。

圖2.Logistic回歸模型、ROC曲線和功能通路

3.免疫微環(huán)境的分析

功能分析顯示標(biāo)記基因與免疫應(yīng)答相關(guān)。因此，利用CIBERSORT算法探索CAD患者與正常樣本之間免疫微環(huán)境的差異，及標(biāo)記基因與免疫細(xì)胞的相關(guān)性（圖3）。

圖3. 免疫細(xì)胞分析

4.標(biāo)記基因靶向藥物的預(yù)測

通過DGIdb數(shù)據(jù)庫分析了可能靶向標(biāo)記基因的藥物，Cytoscape軟件可視化結(jié)果如圖4所示。

圖4. 標(biāo)記基因靶向藥物的預(yù)測

5.構(gòu)建基于標(biāo)記基因的ceRNA網(wǎng)絡(luò)并驗證標(biāo)記基因的表達(dá)

利用starBase和miranda數(shù)據(jù)庫構(gòu)建了基于7個標(biāo)記基因的ceRNA網(wǎng)絡(luò)。還驗證了標(biāo)記基因在驗證集中的表達(dá)情況（圖5）。

圖5.ceRNA網(wǎng)絡(luò)和驗證集基因表達(dá)

總結(jié)

這篇文章的內(nèi)容是不是比較簡單？就是篩選了鐵死亡相關(guān)的基因，再分析免疫微環(huán)境、預(yù)測靶向藥物、構(gòu)建ceRNA調(diào)控網(wǎng)絡(luò)。最后利用驗證數(shù)據(jù)集驗證關(guān)鍵基因的表達(dá)，一篇5分+的文章就到手了！性價比超高，比你辛辛苦苦做實驗輕松多了。

如果你還苦惱于非腫瘤疾病沒有思路，或者對鐵死亡等熱點方向感興趣的小伙伴快來聯(lián)系小云吧。