先用一篇7分+?褪黑素方向生信思路打個樣——基于褪黑素相關基因進行泛癌分析+腫瘤分型多組學分析+預后模型構建+簡單表達驗證。“褪黑素”新切入點加上四位一體的生信思路輕松發(fā)到7分+，附帶褪黑素基因集合，換個疾病抓緊復現(xiàn)啦！

l?題目：解讀褪黑素相關特征在腫瘤免疫和腎透明細胞癌預后中的作用

l?雜志：Oxidative Medicine and Cellular Longevity

l?影響因子：IF=7.31

l?發(fā)表時間：2023年2月

數據來源

研究流程

利用多組學數據分析了褪黑素調節(jié)因子在泛癌中的表達、突變和預后。ccRCC患者通過無監(jiān)督聚類算法被分為兩個亞組:褪黑激素型癌癥亞型1 (MPCS1)和亞型2 (MPCS2)，然后在兩種亞型之間進行功能富集分析、免疫浸潤分析、基因組突變分析和藥物敏感性分析?；趤喰吞卣?，構建了一個褪黑素調節(jié)因子相關的預后模型RCC-MP6，并使用外部數據集進行了驗證。最后篩選模型關鍵基因并進行驗證。

主要結果

1. 褪黑素相關基因的泛癌分析

首先分析了褪黑素相關基因在泛癌中的表達（圖1a）以及與預后的關系（圖1b）。隨后分析泛癌中褪黑激素相關調節(jié)劑的CNV和SNV（圖1d）。

圖1?褪黑素相關基因的泛癌分析

2. 基于褪黑素調節(jié)因子表達模式的分型分析

基于褪黑素調節(jié)因子的表達模式對TCGA-ccRCC進行無監(jiān)督聚類分析，分為兩個不同的亞組，稱為MPCS1和MPCS2（圖2a）。KM生存分析評估兩亞組間的預后差異（圖2e）。分析了兩種亞型之間表達譜的差異（圖3a），針對DEGs進行GO、KEGG、GSEA、GSVA功能富集分析（圖3b-e）。（ps：這里的功能富集分析做的非常全面，并且用到的各種富集方法、KM生存曲線繪制也可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)，云生信分析工具平臺包含超多零代碼分析和繪圖小工具，上傳數據一鍵出圖，感興趣的小伙伴歡迎來嘗試喲，網址：http://www.biocloudservice.com/home.html）。

圖3?功能富集分析

3. 兩種亞型之間的免疫浸潤分析

利用七種免疫相關的去卷積算法來量化兩亞型間的細胞成分或免疫細胞富集分數（圖4a），使用估計算法計算MPCS1和MPCS2之間的免疫和間質評分（圖4b）。比較兩亞型間的免疫檢查點基因表達水平（圖4c）以及EHN、MSI、HRD、功能障礙和TIDE評分（圖4d）。

圖4 免疫浸潤分析

4. 兩亞型間的基因組學分析和藥敏性分析

通過R package MAFtools評估了兩亞型中體細胞突變差異（圖5a）和致癌途徑突變（圖5e），并基于突變數據，使用DGIdb數據庫探測亞型的潛在靶標。（圖5c）。利用GDSC數據庫檢測針對MPCS1和MPCS2的潛在藥物（圖5f）。（ps：利用突變數據和DGIdb數據庫來探索潛在藥物靶標的分析比較新穎，可以學起來喲）

圖5 基因組學分析和藥敏性分析

5. 褪黑素相關風險模型的建立與驗證

使用單變量Cox回歸分析確定了亞型之間顯著改變的基因（圖6a），利用隨機森林篩選10個最相關的基因（圖6b），并進行隨機基因組合和KM分析篩選，最終篩選出由6個基因組成的最優(yōu)風險模型，命名為RCC-MP6（圖6c）。根據風險評分中值分為高風險組和低風險組，進行KM生存分析并利用ROC曲線評估模型的敏感性和特異性（圖6e，g）。（ps：單因素Cox回歸、ROC曲線分析都可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)哦，感興趣的小伙伴歡迎來嘗試，網址：http://www.biocloudservice.com/home.html）。?

圖6風險模型的建立與驗證

6. 關鍵褪黑素基因的篩選和驗證

利用隨機森林算法篩選預后最相關的褪黑素調節(jié)因子，得到乙酰膽堿酯酶ACHE（圖7a），在TCGA隊列中驗證其表達（圖7b）。在多個腎細胞癌隊列中進行cox回歸分析ACHE對ccRCC預后的影響（圖7d）。收集22例腎細胞癌和癌旁組織進行RT–qPCR驗證ACHE的表達（圖7e）。分析ACHE突變狀態(tài)對腎細胞癌免疫的影響（圖7h）。

圖7 關鍵褪黑素基因的篩選和驗證

文章小結

這篇文章的分析內容非常豐富，泛癌分析+腫瘤分型+風險模型構建+關鍵基因的篩選和驗證，泛癌和分型分析中都做了多組學分析，再加上“褪黑素”的生信切入點，選題和思路雙管齊下打造出了1篇高創(chuàng)新性的7分+文章。目前以“褪黑素”為切入點的生信文章還不多，并且可分析的疾病范圍比較廣，用上整理好的褪黑素調節(jié)因子基因集，換個疾病快去復現(xiàn)吧！?