自噬相关文献【自找03】

接上集，02

https://pubmed.ncbi.nlm.nih.gov/31552190/
【 CRC 早期复发病例】原发切除术后1年内出现局部复发或远处转移的患者为早期复发组。

根据定义，近端CRC包括盲肠、升结肠、肝曲和右横结肠。远端 CRC 包含左横结肠、脾曲、降结肠、乙状结肠、直肠乙状结肠交界处和直肠。

选择接受GSE39582根治性手术的 IV 期 CRC 样本并分为早期复发组和长期生存组（至少 5 年随访后未复发）（15）。

对两组之间进行倾向评分（PS）匹配分析，以调整 T 分期和 N 分期，这是 TNM 分期系统中最重要的指标。

https://pubmed.ncbi.nlm.nih.gov/32780567/
2.3. 识别不同表达的 TF 并构建 TF 和 ARG 之间的网络
Cistrome 数据库 ( http://www.cistrome.org/ ) 是一个综合资源，用于预测癌症中的 TF 目标和增强子谱。该预测来自对 TCGA 表达谱和公共 ChIP-seq 谱的综合分析。

2.7. 候选小分子药物的鉴定
Connectivity map（cMap）

11周预后的ARG相关PI公式如下：riskScore = CASP4表达×0.409410245939865

https://pubmed.ncbi.nlm.nih.gov/33617368/【本文是关于DNA甲基化与自噬的关系的一篇文章】

本研究的目的是探讨自噬与 DNA 甲基化之间的关系，并确定自噬调节的甲状腺癌进展的关键基因。我们根据甲状腺癌患者的 AS 值将其分为高自噬评分 (AS) 组和低 AS 组。结果发现AS与甲状腺癌的远处转移有关，对预后产生不利影响。

。自噬评分 (AS) 使用自噬系统相关的元基因簇和基因集变异分析 (GSVA) 计算

https://pubmed.ncbi.nlm.nih.gov/32964017/ 【具有WCGNA】

3.1. 使用 ATG 构建 WGCNA

从 MSigDB 和 HADb（表S1）中为这项研究组装了 598 个 ATG 。在与来自 GEO 队列的处理过的 221 个神经胶质瘤样本中的基因作图后，它仍然有 548 个 WGCNA 基因。

【里面基因的选择以及处理】

3.4. IDH1突变参与基于自噬特征的簇的操作系统
【突变】
3.5. IDH1突变与签名风险评分相关联
IDH1突变率越高，TCGA 队列中一个集群的 OS 越长（图 6(b)）。还观察到勉强存活的第 3 组具有最少的IDH1突变

3.7. 估计基于自噬特征的风险组的免疫状态、

https://pubmed.ncbi.nlm.nih.gov/33878525/

image.png
image.png

与免疫细胞浸润相关的 OS 相关特征

免疫细胞上 OS 相关特征的遗传改变

https://pubmed.ncbi.nlm.nih.gov/33717544/
LUAD自噬相关lncRNA共表达网络的构建
使用 Cytoscape 构建和可视化 16 种具有预后价值的自噬相关 lncRNAs-mRNA 的共表达网络。

https://pubmed.ncbi.nlm.nih.gov/32681639/【自噬和肿瘤数据库：ATdb，一个连接自噬和肿瘤的新型数据库】

我们在这里开发了自噬和肿瘤数据库（命名为 ATdb，http://www.bigzju.com/ATdb/#/) 汇编有关自噬和肿瘤研究的已发表信息。ATdb 将 25 种肿瘤与自噬相关通路所需的 137 个基因连接起来，包含 219 个群体过滤器、2650 个风险比趋势图、658 个相互作用的 microRNA、266 个相互作用的长非编码 RNA、155 个翻译后修饰、298 个 DNA 甲基化记录， 331个动物模型和70个临床试验。ATdb可以让用户搜索、浏览、下载和进行高效的在线分析。例如，用户可以以上下文相关的方式和精确的亚群和肿瘤亚型预测自噬基因调节因子。此外，在 ATdb 中，基于基因相关的长非编码 RNA 将肿瘤分为不同的组是可行的，以获得对其潜在功能影响的新见解。因此，

数据库网址：http : //www.bigzju.com/ATdb/#/

https://pubmed.ncbi.nlm.nih.gov/34378389/【靶向自噬相关的表观遗传调控因子用于癌症药物发现】
自噬和甲基化的概述

https://pubmed.ncbi.nlm.nih.gov/34221960/
我们结合加权基因共表达网络分析（WGCNA）和BC中的差异表达基因（DEG）筛选出自噬相关基因（ARGs）。

加上GEO文章
首先利用gsg(goodSamplesGenes)和样本网络方法对TCGA-BLCA数据中的490个ARGs的表达数据谱进行检验，验证它们是好样本还是好基因。

Z.Ku 由以下公式计算：Z.ku = (ku-mean(k))/(sqrt(var(k)))。
在这项研究中，Z.Ku < -2.5 的样本被排除在 WGCNA 之外。

潜在的预后基因鉴定和 mRNA 表达水平验证
基于基因表达谱交互分析（GEPIA）（34）（http://gepia.cancer-pku）验证了疾病相关模块和差异表达基因（DEG）中基因之间重叠的基因，

与 BC 分子亚型相关的 OS 的基于 ARG 的模型

Decision curve analysis (DCA) ：决策曲线分析 (DCA)

https://pubmed.ncbi.nlm.nih.gov/33768004/
放化疗分层分析

我们观察了这 598 名接受放疗的患者，发现这些患者可以通过 5-ATG 特征进一步分为低风险组和高风险组，生存率显着不同（

https://pubmed.ncbi.nlm.nih.gov/34135913/
为了找到潜在的药物靶点，使用 NetworkAnalyst 3.0 ( https://www.networkanalyst.ca/ )分析了生存相关 ARG 中的蛋白质-药物相互作用。从 DrugBank（5.0 版，https: //go.drugbank.com/ ）（39）中检索了有关靶标蛋白质和药物含量的信息。

https://pubmed.ncbi.nlm.nih.gov/34041016/ 【加了实验】
采用k-means无监督聚类方法进行聚类，确定了OC的两个子类（聚类A和聚类B）。

我们使用R语言GSVA包，然后使用单样本基因集富集分析(ssGSEA)量化24种免疫细胞的浸润水平SsGSEA 方法用于量化 24 种免疫细胞亚型的浸润水平。

https://pubmed.ncbi.nlm.nih.gov/34249899/ 【铁死亡】
FerrDb ²是世界上第一个手动管理的铁死亡和铁死亡与疾病关联的调节剂和标记数据库（Zhou and Bao，2020）。

LUAD 预后铁死亡相关基因特征的构建和验证

LUAD中基因特征与自噬的关系

基因特征与 22 种肿瘤浸润免疫细胞 (TIC) 之间关系的鉴定
使用 CIBERSORT 算法计算训练队列中 22 个 TIC 的相对比例

ERBB2 的突变、CNV、甲基化和调控网络分析

UCSC Xena 浏览器 ( https://xenabrowser.net/heatmap/ )、cBio 癌症基因组学门户 ( http://www.cbioportal.org )、癌细胞系百科全书 (CCLE) 数据库 ( https://portals.broadinstitute .org/ccle ) 用于探索 ERBB2 mRNA 表达、拷贝数变异 (CNV)、体细胞突变和 DNA 甲基化之间的关系。

利用源自 ENCODE ChIP-seq 数据的转录因子 (TF) 和基因靶标数据来预测 ERBB2 ( https://www.enco-deproject.org/ ) 的翻译因子。根据 Tarbase ( http://diana.cslab.ece.ntua.gr/tarbase/ ) 和 mirtarBase ( http://mirtarbase.mbc.nctu.edu )提供的数据，获得了 microRNA (miRNA) 和 ERBB2 之间的相互作用.tw/php/index.php）。

https://pubmed.ncbi.nlm.nih.gov/33540700/ 【铁死亡】
从 GeneCards [ 16 ] ( https://www.genecards.org/ )检索了包含总共 103 个铁死亡相关基因的综合列表，并在表 S1中提供。

image.png

https://pubmed.ncbi.nlm.nih.gov/33679977/
3.3. Consensus Clustering【之前有过，如何实现】

image.png

https://pubmed.ncbi.nlm.nih.gov/33650306/

【值得学习】

https://pubmed.ncbi.nlm.nih.gov/33976960/
ARGs 来自人类自噬数据库 (HADb, http://www.autophagy.lu/index.html))，分子特征数据库 v6.2 (MSigDB, http://software.broadinstitute.org/gsea) 中的 REACTOME AUTOPHAGY /msigdb)，以及来自 GeneCards 网站 ( https://www.genecards.org/ ) 的“自噬”术语相关性得分 > =7 的基因。

免疫细胞分析

https://pubmed.ncbi.nlm.nih.gov/34093817/ 【喉癌的综合微环境方法：免疫/甲基化/自噬特征对疾病临床预后和单细胞基因型的作用】

CIBERSORT 估计和提取 m 6 A 甲基化和自噬相关基因 【这个地方可以看一下】

我们采用基于网络的工具 ( http://molpath.charite.de/cutoff/ ) 来计算整个队列并获得最佳截止值³⁵。

https://pubmed.ncbi.nlm.nih.gov/34093817/ 【喉癌的综合微环境方法：免疫/甲基化/自噬特征对疾病临床预后和单细胞基因型的作用】

TIDE ( http://tide.dfci.harvard.edu/setquery/ ) 被用来比较新的生物标志物和现有的生物标志物^{55 , 56}. 此外，关键 pRS 相关 mRNA 的免疫荧光分析是从人类蛋白质图谱^{57 获得的}。

我们从 TCGA 数据库下载了喉癌队列的 RNA-seq 数据，并使用 R 软件（版本 3.5.2）^{31 的}“affy”和“simpleaffy”包对组合数据进行了标准化。下载有关喉癌队列的简单核苷酸变异 (SNP) 和拷贝数变异 (CNV) 的其他数据以进行进一步分析。

CIBERSORT 估计和提取 m 6 A 甲基化和自噬相关基因

差异免疫浸润细胞、甲基化和自噬相关基因的鉴定和筛选

预测 pRS 相关的 ceRNA 网络
所有与 pRS 相关的 mRNA、miRNA 均使用来自 Bioconductor 项目的“LIMMA”R 包进行选择⁵⁰。miRWalk3.0 数据库（http://mirwalk.umm.uni-heidelberg.de/）由 10 个数据库（PITA、Targetscan、PICTAR5、miRanda、miRDB、miRWalk、RNA22、RNAhybrid、PICTAR4 和 DIANAmT）组成，以及miRTarBase被用于揭示PRS-相关的mRNA和PRS-相关的miRNA之间的相关性^51，52。

Circular RNA Interactome ( https://circinteractome.nia.nih.gov/index.html ) 被用来揭示喉癌相关的circRNAs和pRS相关的miRNAs之间的相关性。

单细胞 RNA 序列分析
来自GSE150321 的转录组谱用于使用“Seurat”包进行单细胞 RNA-seq 分析⁵⁹。

然后将其使用CellMarker数据库校正的组合物用于细胞簇注释^61，62。

CellPhoneDB 数据库功能用于执行细胞间相互作用分析，p 值 <0.01 的细胞间相互作用被认为具有统计学意义³⁰。

image.png