今天，我们来一起看一篇主要由数据分析和少量实验验证所构成的文章，其中的可复制性比较强，非常值得小伙伴们进行学习模仿。本文由中国医科大学于2024年2月发表在BMC Cancer（IF 3.8）上，题为“Glycosylation-related genes mediated prognostic signature contribute to prognostic prediction and treatment options in ovarian cancer: based on bulk and single‑cell RNA sequencing data”。
文章链接：https://pubmed.ncbi.nlm.nih.gov/38355446
01 文章逻辑
这篇文章的逻辑从公共单细胞数据入手，得到了糖基化相关基因（GRGs）的评分，这个评分获得也很简单，只要学习一下AUCell这个R包的使用就可以轻松实现。随后作者就可以根据这个评分，对样本进行GRGs评分的高低分组，接下来就是传统的寻找差异基因和富集分析。
随后作者根据这些差异基因，通过回归分析，构建了由16个基因组成的预测模型，这个预测模型能够准确的预测OC（卵巢癌）患者的预后。
既然可以预测预后，那么里面有什么机制上的改变呢？这里作者就做了突变和免疫环境的分析。其实到这里的逻辑都是挺通顺的，但是在临床中，OC其实是通过化疗治疗为主，作者为了更贴近临床，通过药物数据库，筛选了潜在治疗OC的药物。另外，最后作者还验证了GRGs其中一个基因的与卵巢癌细胞侵袭能力的关系，也算是一篇文章中的实验数据支撑。
02 分析项目及描述举例
这篇文章主要可以分成三块来看：
01 构建GRGs预测模型
作者首先使用了公共单细胞数据集来看OC中观察指标糖基转移酶（GT）活性，发现肿瘤和非肿瘤之间是存在差异的，这个就是本文从生信分析手段获得的现象，大家其实换个疾病或指标也是这个思路，首先去探索现象，再去挖掘机制。
接下来作者便想通过多元COX回归来构建具有预测价值的糖基化相关基因（GRG）signature。构建了模型就需要验证吧？这里作者就通过ROC证实了对于OV患者生存的预测性能较好，且通过富集分析，大致推测了一下其中的潜在通路。
02 机制挖掘
进一步的有了现象，就要探索其中的潜在机制，目前机制这一块突变图谱和免疫环境作者都用上了。作者首先从突变图谱入手，发现了其中的单碱基突变和肿瘤突变符合（TMB）都存在差异。更进一步的，作者通过CIBERSORT、ESTIMATE等常规分析挖掘了其中的免疫环境变化，并使用了免疫治疗的公共队列，分析了其中对抗PD-1治疗的敏感性。
03 修修补补
最后的两幅figure是让文章变得更加贴近临床，同时实验证据强一些。第一个是由于OC主要通过化疗手段治疗，作者前面所分析的都是免疫环境和免疫检查点抑制剂，因此作者这里贴近临床，挖掘了CTRP和PRISM这两个数据库，得到了一些可能的敏感的药物，但是也没有了下文。
随后作者的最后一幅figure所作的是预测模型中的其中一个基因，并在卵巢癌细胞中将这个基因进行敲减，通过Transwell实验观察其侵袭能力的改变。
03 审稿意见
对于这篇文章的审稿，基本上提出的问题都是生信相关的，比如说为什么选用AUCell这个算法确定基因集，其中用于分组的指标为什么不换用其他的。又例如作者在分析TMB和免疫环境中，单一指标来进行评估是不足以说明问题的，需要多种指标来结合分析复杂问题，或者我们一开始就将问题细化。再者，文中用到了单因素COX分析，但是没有多因素COX分析。
总的来说，reviewer所问的问题都比较温和，这篇文章于2023年10月投稿，一个月后反馈审稿信息，最终在今年1月接收，2月见刊，总周期比较短，过程也算顺利。
04 综合评价
这篇文章从单细胞数据入手，通过计算GRGs评分来对OC患者进行分组，并用回归分析构建了预测模型，发现从GRGs中挑选出的16个基因的预测能力挺强，进一步的分析了其中的机制，也联系了临床，最终也有实验的验证。总的来说这篇文章做的比较全面，但是要说深度的话，欠缺度还是挺大的，整体故事的连贯性也是一个比较大的问题，很多方向其实可以深入挖掘，但是都草草掠过，给人的感觉就是走了一个形式。
这篇文章发表在3.8分的杂志上，其实工作量而言，这个分数段也算是合格。
更多信息见：10月投稿，2月见刊：从中国医科大学这篇IF 3 公共单细胞数据分析，教你设计简单实验的临床相关生信文章思路
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。