https://pubmed.ncbi.nlm.nih.gov/32233022/
通过 MiRcode、miRDB、starBase、miRTarBase 和 TargetScan 预测 miRNA、lncRNA 和目标 mRNA 之间的相互作用。2.2. 鉴定差异表达的 mRNA 和 lncRNA 【GENCODE】
2.4. 共表达网络的构建
过goodSamplesgenes去除不合格的基因。计算左侧样本中 mRNA 和 lncRNA 的方差，我们选择前 60% 的 mRNA 和 lncRNA 方差最高作为 WGCNA。2.5. ceRNA网络的构建
选取与 BC 最相关的关键模块中的 LncRNA，通过 miRcode（http://www.mircode.org）预测 miRNA 。然后，我们通过 MiRDB ( http://www.mirdb.org/ )、mirtarBase ( http://mirtarbase.mbc.nctu.edu.tw// )、 StarBase ( http://starbase .sysu.edu.cn/）和 TargetScan（http://www.targetscan.org/）。此外，Cytoscape 软件（https://cytoscape.org/）用于可视化 ceRNA 网络的关系。
我们进行了卡方检验来分析训练集和内部测试集之间临床特征的差异，包括年龄、性别、肿瘤亚型、分化等级、T 分期、TNM 分期和生存状态（N 分期和 M 分期被丢弃，因为的 DFS 数据仅为 N0 或 M0 状态的患者）。
3.4. 预测 mRNA、WGCNA mRNA 和 DEmRNA 的重叠 mRNA
3.8. ceRNA网络的构建 【见原文】
https://pubmed.ncbi.nlm.nih.gov/32860283/ 【不同程度免疫细胞浸润胃癌的ceRNA网络和潜在调控轴】 【有实验】
3.8. ceRNA网络的构建
miRNA靶基因预测算法miRanda（http://www.microrna.org/）、Targetscan（http://www.targetscan.org/）和miRWalk（http://129.206.7.150/）用于miRNA- mRNA靶基因预测。 23 miRanda 和 PITA ( https://genie.weizmann.ac.il/pubs/mir07/mir07_exe.html ) 用于 miRNA-lncRNA 的靶基因预测。2.5. PPI蛋白调控网络分析 【STRING】
CD3、CD8、IFN-γ 和 GZMB 的中位表达水平定义为高表达或低表达。【据此分为热肿瘤和冷肿瘤】
https://pubmed.ncbi.nlm.nih.gov/31744051/ 【长链非编码 RNA (lncRNA) 介导的竞争性内源性 RNA 网络为结直肠癌提供新的潜在生物标志物和治疗靶点】【综述】
lncRNA/miRNA/mRNA 相互作用形成的 ceRNA 网络已在 CRC 的广泛生物学过程中发现，包括肝转移、上皮间质转化 (EMT)、炎症形成和化学/放射抗性。
https://pubmed.ncbi.nlm.nih.gov/33318294/
我们使用 RAID 2.0 数据库获得了 DElncRNA 的靶基因根据共表达Brown模块的DElncRNA和DEmRNA，从starBase数据库构建了lncRNA-miRNA-mRNA和lncRNA-RBP-mRNA网络。
根据 GSCALite 数据库，所有这些中枢基因在 BRCA 中都显着增加。图 5B）。此外，根据人类蛋白质图谱（HPA）数据库，这五种基因在肿瘤样本中的蛋白表达水平显着高于正常样本。【两个数据库验证】
https://pubmed.ncbi.nlm.nih.gov/31391008/
从癌症基因组图谱数据库下载了 138 名 SCCT 患者的 miRNA、mRNA 和 lncRNA 表达谱。我们使用 R 软件的 limma 包鉴定了 miRNA、mRNA 和 lncRNA 的差异表达。我们使用 clusterProfiler 包进行 GO 和 KEGG 通路注释。生存包用于根据 Kaplan-Meier 曲线估计生存分析。最后，使用GDCRNATools包构建lncRNA-miRNA-mRNA ceRNA网络。
https://pubmed.ncbi.nlm.nih.gov/33042838/
我们从癌症基因组图谱（TCGA）数据门户下载了 LUAD 的 RNAseq 和 miRNAseq 数据，并使用R 软件的 edgeR 包。我们根据 miRcode、miRTarBase、miRDB 和 TargetScan 数据库生成的相互作用，使用 Cytoscape（版本 3.7.2）构建了 lncRNA-miRNA-mRNA ceRNA 网络。ceRNA监管网络的构建
miRcode 数据库2用于匹配 DElncRNAs 和 DEmiRNAs。MiRNA 靶基因基于三个数据库进行预测：miRTarBase 3、miRDB 4和 TargetScan 5。随后，我们整合了DEmiRNAs与DElncRNAs或DEmRNAs之间的相互作用，构建了一个ceRNA调控网络。Cytoscape（版本 3.7.2）用于可视化 ceRNA 网络。
https://pubmed.ncbi.nlm.nih.gov/32163372/
m6A 修饰富集 RHPN1-AS1 并增强其转录稳定性
为了研究 RHPN1-AS1 中 m6A 修饰的存在，我们首先使用生物信息学管道 M6avar ( http://m6avar.renlab.org/ )预测了 m6A 基因座，并确定了最后一个外显子中的 M6A 序列基序（位置 1794 和 3528 ）。
https://pubmed.ncbi.nlm.nih.gov/31641220/
差异mRNA和lncRNA表达
基因共表达模块的鉴定
lncRNA-miRNA-mRNA ceRNA网络的构建及生存分析 【文中末尾，有详细步骤】
ceRNA网络的构建包括三个步骤：（1）hub蛋白编码基因（与Ki-67%相关）和绿松石模块中的lncRNA（更多lncRNA）的共表达分析；(2) 使用 DIANA-microT-CDs ( http://diana.imis.athena-innovation.gr/)，并且只保留了预测与四个基因结合的 miRNA；(3) 我们使用 DIANA-LncBase v2 ( http://diana.imis.athena-innovation.gr/ ) 来预测步骤 (2) 中获得的 miRNA 的推定 lncRNA 目标。预测的 lncRNA 目标与步骤 (1) 中获得的目标的交集用于进一步分析。使用Cytoscape v3.0 34建立并可视化lncRNA-miRNA-mRNA ceRNA 网络。
https://pubmed.ncbi.nlm.nih.gov/31061236/ 【如何找miRNA和lncRNA】
通过Cytoscape插件CytoHubba识别hub基因。mRNA 的上游 miRNA 和 lncRNA 分别由 miRTarBase 和 miRNet 预测。基因、miRNA 和 lncRNA 的表达、存活和相关性分析通过GEPIA、Kaplan-Meier 绘图仪和 starBase。
关键基因上游关键miRNA的预测与验证
我们使用经过实验验证的 microRNA-靶基因相互作用数据库 mirTarBase 预测了 9 个关键基因的上游 miRNA。
我们使用 Kaplan-Meier 绘图仪数据库进一步评估了 33 种预测 miRNA 的预后价值。【33中的8个具有预后价值】关键miRNA上游关键lncRNA的预测与验证
lncRNA 作为 ceRNA 发挥作用，通过竞争共享 miRNA 与 mRNA 相互作用 [ 14 , 15 ]。鉴于这一理论，我们进一步预测了那些可能与 8 个关键 miRNA
使用在线数据库 miRNet。共发现了 90 个 lncRNA（表 S4）。我们使用 GEPIA 数据库分析了这些 lncRNA 在胰腺癌中的表达。
胰腺癌关键mRNA-miRNA-lncRNA三亚网络的构建
与胰腺癌预后相关的新型 mRNA-miRNA-lncRNA 竞争性内源性 RNA (ceRNA) 三重调控网络。
表2：starBase数据库确定的miRNA-mRNA对之间的相关性（符合ceRNA假设的对用粗体标记）。
https://pubmed.ncbi.nlm.nih.gov/31490563/ 【基于ceRNA网络探索结直肠癌预后标志物】【详细】
2.3 筛选lncRNA-miRNA关系对
MiRcode 是一个数据库网站2.4 筛选出miRNA-mRNA关系对
miRDB是基于高通量测序实验的miRNA靶基因预测数据库；MiRTarBase 是一个经过实验验证的 miRNA 与靶标相互作用的数据库；TargetScan通过搜索与每个miRNA的种子区域匹配的保守的8mer和7mer位点的存在来预测miRNA的生物学靶点，通过上一步得到的lncRNA-miRNA的关系对文件，我们得到了一组具有表达的miRNA差异和与差异 lncRNA 的相互作用。我们使用miRDB、miRTarBase和TargetScan来预测这些miRNA的靶基因，并将这三个数据库预测的基因定义为靶基因。得到预测的目标基因后2.5 构建ceRNA网络
我们将得到的lncRNA-miRNA和miRNA-mRNA这两个关系对合并，应用于Cytoscape软件可视化拓扑网络，得到ceRNA的拓扑网络图。2.6 ceRNA网络功能富集分析
网络中选择所有mRNA，用于通过R包clusterProfiler进行功能富集分析，观察构建的ceRNA网络的功能。2.7 ceRNA网络拓扑分析及稳定性分析
2.8 网络中节点相关性分析
计算了 ceRNA 网络的 mRNA-lncRNA-miRNA 之间的相关性。这37个mRNA与23个miRNA一起构成了44个miRNA-mRNA关系对，包括17个miRNA和37个mRNA（表2；表2）。
3.4 富集分析
3.6 ceRNA网络的拓扑分析和稳定性分析
我们对 37 个 mRNA 进行了富集分析image.png
3.7 网络节点生存分析
与预后显着相关的六种 lncRNA3.7.1 作为潜在标志物的预后相关 lncRNA 分子
对具有 6 个预后差异的 lncRNA 进行单因素回归，森林图如图
A，六个lncRNA多元回归模型的AUC曲线；B，来自六个 lncRNA 多元回归模型的样本预后分类的 KM 曲线。
https://pubmed.ncbi.nlm.nih.gov/31007608/
ggalluvial R 包（版本：0.9.1）用于可视化 ceRNA 网络 [ 18 ]。当发现重复数据时使用平均 RNA 表达值。保留平均表达值 > 1 的基因，并去除低丰度的微阵列数据。将具有临床数据的两个数据集（GSE54236和GSE76427）整合到 meta-GEO HCC 队列中，以确定与 HCC 患者总生存相关的候选基因。我们使用 sva 包去除批量效应，并使用 limma R 包（版本：3.38.3）[ 17 ] 中的 scale 方法对数据进行归一化。
HCC 中 ceRNA 网络的桑基图。每个矩形代表一个基因，根据矩形的大小可视化每个基因的连接程度
https://pubmed.ncbi.nlm.nih.gov/31503007/ 【lncRNA miat作为ceRNA通过在HCC细胞衰老中海绵化miR-22-3p来上调sirt1】
https://pubmed.ncbi.nlm.nih.gov/32277520/
我们使用starBase v3.0 将DEmiRNA 的名称转换为成熟的miRNA 名称。接下来，使用 miRcode 数据库 ( http://www.mircode.org )定义了 lncRNA 和 miRNA 之间的关系。
我们使用以下三个数据库来预测 miRNAs 的靶基因：miRTarBase、TargetScan 和 miRDB。2.6 GBM药物分子DEmRNAs分析的CMap
https://pubmed.ncbi.nlm.nih.gov/31923354/
image.png
2.3. lncRNA-miRNA和miRNA-mRNA相互作用的预测2.6. 关键lncRNA的临床特征分析
2.7. 关键lncRNAs和DEmRNAs的回归分析3.4. ceRNA 网络相关的 DEmRNA 的功能分析【DEmRNA进行富集分析】
3.7. lncRNA 与总生存期和风险分层相关【lncRNA 单，多COX分析】
https://pubmed.ncbi.nlm.nih.gov/33302562/ 【鉴定 3-lncRNA 特征作为结直肠癌预后生物标志物】【转转移和非转移的鉴别】【有实验】
image.png
2.2. DE mRNA的功能富集分析2.4. 3-lncRNA预后模型的构建
2.5. 关键lncRNA的临床特征分析【OS】
https://pubmed.ncbi.nlm.nih.gov/32802855/
2.2. 构建lncRNA-TF相关的ceRNA网络
https://pubmed.ncbi.nlm.nih.gov/31141819/
TCGA 和 GEO
- lncRNA-miRNA和miRNA-mRNA相互作用的预测
- ceRNAs调控网络的构建
- 基于ceRNA网络和预后分析验证关键DEmRNAs、DElncRNAs和DEmiRNAs的表达
GEO2R ( http://www.ncbi.nlm.nih.gov/geo/geo2r/ )。我们应用 GEO2R 来确认关键 RNA。- 枢纽基因的拷贝数变异（CNV）、体细胞突变（SNV）和甲基化分析
https://pubmed.ncbi.nlm.nih.gov/32060632/
（1）lncRNA-miRNA连接关系构建
DIANA-LncBasev2 ( https://carolina.imis.athena-innovation.gr/diana_tools/web/index.php?r=lncbasev2%2Findex-experimental )(2)miRNA-mRNA调控及连接关系
starBase Version 2.0 database (https://starbase.sysu.edu.cn/) [21]
image.png
https://pubmed.ncbi.nlm.nih.gov/32964046/
【验证前面，富集分析分析什么？mRNA or lncRNA or others；单，多COX分析分析什么？】
image.png
https://pubmed.ncbi.nlm.nih.gov/31739284/
多个验证
https://pubmed.ncbi.nlm.nih.gov/32853944/
image.png
https://pubmed.ncbi.nlm.nih.gov/30984308/
基于“ceRNA 假设”构建了 lncRNA-miRNA-mRNA 候选对如下： (i) mRNA 和 lncRNA 共享相同的 miRNA；(ii) 当 PCC 高于 0.3 且P值 < 0.05时，mRNA 和 lncRNA 表明正相关；(iii) mRNAs和lncRNAs对miRNAs呈负调控，PCC<0，P值<0.05；(iv) miRNA 在结肠癌中异常表达。
https://pubmed.ncbi.nlm.nih.gov/31164492/
【前面有WCGNA】后面构建ceRNA
构建lncRNA-miRNA-mRNA ceRNA网络
https://pubmed.ncbi.nlm.nih.gov/31486138/ 【胃腺癌中circRNA-microRNA-messengerRNA调控网络的构建】
circRNA数据库
，癌症特异性 CircRNA (CSCD) ( http://gb.whu.edu.cn/CSCD/ ) 12和 Circular RNA Interactome (CircInteractome) ( https://circinteractome. nia.nih.gov/）。13
https://pubmed.ncbi.nlm.nih.gov/33080572/
上游miRNA的鉴定和验证：基于候选中心基因的结果，我们通过 miRNA-靶标相互作用数据库 miRecords 鉴定了这些基因的上游 miRNA。只有出现至少 3 次的 miRNA 才被认为是候选 miRNA。上游lncRNA的预测与验证：
为了预测候选 miRNA 的上游 lncRNA，我们使用了 miRNet 数据库。
https://pubmed.ncbi.nlm.nih.gov/32788609/
image.png
MiRWalk 2.0 是一个预测 miRNA-mRNA 相互作用的网络工具。它涉及12种预测算法Connectivity Map (CMap) 是一个基因表达谱数据库，具有发现新的疾病治疗药物的巨大潜力。
药物基因组学和药物遗传学知识库（PharmGKB，https ://www.pharmgkb.org/ ）致力于收集和分类有关遗传变异如何影响药物反应的信息24。
https://pubmed.ncbi.nlm.nih.gov/30896838/ 【ceRNA网络的构建揭示了远端和近端结肠癌之间的差异】 左右结肠癌的区别。【有实验】
https://pubmed.ncbi.nlm.nih.gov/32333311/
m6A相关基因在HCC中的表达首先在TIMER数据库（https://cistrome.shinyapps.io/timer/）中进行探索
https://pubmed.ncbi.nlm.nih.gov/32571304/
长度超过 200 个核苷酸和生物型分类为“non_coding”、“processed_transcript”、“lincRNA”、“retained_intron”、“antisense”、“sense_overlapping”、“sense_intronic”和“bidirectional_promoter_lncrna”的转录本被标记为“ lncRNAs”，而生物型归类为“protein_coding”的转录本被标记为“mRNAs”。
https://pubmed.ncbi.nlm.nih.gov/32714366/ 【LncRNA相关竞争性内源性RNAs网络在结直肠癌中的构建及综合预后分析】
ceRNA 网络+列线图
网友评论