没有什么是做点实验解决不了的，如果有，那就来一打免疫组化！！！
小编同学分享一篇今年11月前不久发表的公共数据数据挖掘的文献，IF=3.9哦，全文大部分属于数据挖掘的内容，仅有唯一的实验部分就是免疫组化啦。看文献就是看图说话呀，这一次我们除了摘要当然是：
摘要
image.png
瞅一眼摘要部分，我们大概就能知道文章做了啥，作者用了GEO,TCGA, 找到一些差异基因，，然后做了46对癌和癌旁的免疫组化，最后得出结论就是咱找到了几个预后的marker呀，下面就是看图说话啦。
image.png
首先就是做了一个GSEA分析，看看功能通路上的差异，这个操作也不难呀，有个软件可以做，不需要编程哟（就是感觉大家会喜欢）。
差异基因分析
image.png
然后就是那些年流行的热图和火山图啦，表明下差异基因的分析，但是注意本文作者是整合了多个GEO的芯片数据，用sva做了去除batch effect相对用一个数据集要复杂一些，也是有R包可以做的。
通路富集分析
image.png
然后是一张比较酷的图，现在已经很常见啦，看起来很复杂，实际上也不算难（当然肯定是有R基础的），这部分需要用到一个R包处理，做下可视化，目的就是展示下富集的通路呀，然后hub基因是如何找到的呀，操作不难（cytoscape功能还是很强大的）。
差异基因展示
这个图不是看，是在展示5个上调和5个下调基因的表达情况，明明是筛选出的差异基因，当然差异表达啦，意义不大，但是看着咱做了好多内容呀。
image.png
这是一个真的分析，就是看看这10个差异基因分别去做ROC曲线，5个上调做，5个下调做，再10个一起做，看下发现咱AUC不错呀。
TCGA验证
好，这张图比较有趣，注意奥这是在用TCGA数据库验证这10个基因的表达情况，并且做了生存分析，但是小编同学保证这部分不需要R语言哟（知道这个工具的请举手呀），全程在线完成，是不是发现哎呀好多结果呢，其实不多目的就是验证下，说明前面做的没啥问题，可问题是前面是ROC曲线哎，按理说，诊断效果自然也是要用TCGA数据做ROC曲线验证嘛，作者为啥不用嘞？（你猜，猜到了告诉我）
免疫组化验证
这就是全文唯一的实验验证部分啦，做了46对免疫组化，挑选3个基因做验证的，其实结果确实也不算太好，毕竟数据量还是相对太小。
综合全文来看，其实工作量不算大，值得一提的就是整合了多个芯片数据组成(merged microarray data)，加强数据量，而不是常见的分别去做再取交集。但不足之处在于TCGA的应用并不充分，仅仅是用了在线工具做简单的验证，最终的biomarker也就停留在差异和生存率这一步了，并且没有得到大规模数据集的验证。
看完这些是不是也有一种想动手的冲动（我可明明做得比它还好呢，为啥我还没发sci呢？）
总结陈词
小编同学就是这样优雅的用10分钟看完这篇文献，并讲给大家听的。
网友评论