怕雙硫死亡太卷？

不如看看其他的細(xì)胞死亡類(lèi)型？

比如失巢凋亡~

2023年開(kāi)年就來(lái)了個(gè)細(xì)胞死亡的新熱點(diǎn)-雙硫死亡，遵循著鐵死亡和銅死亡的發(fā)文規(guī)律，第一波發(fā)表的肯定是生信分析文章，因?yàn)橹芷诙萄絶

但也有小伙伴跑來(lái)跟小云訴苦：我這邊現(xiàn)有的課題還沒(méi)搞明白呢，還要再去卷雙硫死亡嗎？真的有點(diǎn)卷不動(dòng)了…（ps：小云覺(jué)得實(shí)在沒(méi)精力，可以找小云來(lái)幫忙做分析，你安心做你的實(shí)驗(yàn)，生信我來(lái)幫你搞定，可好？）

而且也不必每出一個(gè)新熱點(diǎn)都要跟，何況細(xì)胞死亡的類(lèi)型那么多，選選不那么內(nèi)卷的方向也行呀~

比如小云之前給大家介紹的“失巢凋亡”，今天就給大家分享一篇性?xún)r(jià)比很高的失巢凋亡生信文章，熱點(diǎn)方向+創(chuàng)新分析思路（二次聚類(lèi)），輕松發(fā)表6分+純生信，而且1個(gè)月就接收！趕快來(lái)看看吧~

題目：肝細(xì)胞癌失巢凋亡相關(guān)亞群的鑒定及預(yù)后模型

雜志：International journal of molecular sciences

影響因子：6.208

發(fā)表時(shí)間：2023年2月

數(shù)據(jù)信息

研究思路

分析肝癌中差異表達(dá)的失巢凋亡相關(guān)基因，使用無(wú)監(jiān)督聚類(lèi)算法對(duì)TCGA樣本進(jìn)行分類(lèi)。然后，采用WGCNA來(lái)識(shí)別高相關(guān)基因，并進(jìn)行第二次聚類(lèi)分析。進(jìn)一步基于單變量Cox比例風(fēng)險(xiǎn)回歸構(gòu)建預(yù)后風(fēng)險(xiǎn)模型。該模型使用來(lái)自ICGC和GEO的外部數(shù)據(jù)集進(jìn)行了驗(yàn)證。最后，使用CIBERSORT算法來(lái)研究風(fēng)險(xiǎn)評(píng)分與免疫浸潤(rùn)之間的相關(guān)性。

主要研究結(jié)果

1.?第一次聚類(lèi)分析，鑒定失巢凋亡相關(guān)亞群

分析TCGA數(shù)據(jù)中的差異表達(dá)基因(DEGs)。與GeneCards數(shù)據(jù)庫(kù)中的448個(gè)失巢凋亡相關(guān)基因取交集，最終篩選出168個(gè)差異表達(dá)的失巢凋亡相關(guān)基因 (圖1A)。

使用共識(shí)聚類(lèi)算法在TCGA-LIHC數(shù)據(jù)集中進(jìn)行無(wú)監(jiān)督聚類(lèi)，獲得兩個(gè)聚類(lèi)：Subgroup A和B，亞組A的生存概率低于亞組B(圖1C)。

進(jìn)行基因集變異分析(GSVA)確定兩個(gè)亞組內(nèi)不同的KEGG通路和Reactome通路 (圖1E)。應(yīng)用ssGSEA算法來(lái)探索兩個(gè)亞組之間的免疫浸潤(rùn)水平(圖1G)。結(jié)果表明，兩個(gè)亞組在KEGG途徑、Reactome途徑和免疫浸潤(rùn)水平上具有不同的特征。

圖1.第一次聚類(lèi)分析，鑒定失巢凋亡相關(guān)亞群

2.?WCGNA鑒定高相關(guān)基因模塊

WCGNA識(shí)別出三個(gè)基因模塊:藍(lán)綠色模塊、棕色模塊和藍(lán)色模塊。其中，腫瘤發(fā)生與綠松石模塊有很強(qiáng)的相關(guān)性(圖2D)。從綠松石模塊中提取75個(gè)基因進(jìn)行GO和KEGG通路富集分析(圖2F-G)。結(jié)果表明，綠松石模塊中的基因與肝細(xì)胞癌的發(fā)生、轉(zhuǎn)移和發(fā)展高度相關(guān)。

（ps：WGCNA可以用小云新開(kāi)發(fā)的零代碼生信分析小工具實(shí)現(xiàn)，云生信分析工具平臺(tái)包含超多零代碼分析和繪圖小工具，上傳數(shù)據(jù)一鍵出圖，感興趣的小伙伴歡迎來(lái)嘗試喲，網(wǎng)址：http://www.biocloudservice.com/home.html?）。

圖2.?WGCNA鑒定高相關(guān)基因模塊

3.?第二次聚類(lèi)分析，確定失巢凋亡相關(guān)基因簇

根據(jù)綠松石模塊中高度相關(guān)的基因鑒定出失巢凋亡相關(guān)基因簇，分為3個(gè)聚類(lèi)：Cluster?A、B、C，Cluster?A的生存概率低于Cluster?B和C(圖3C)?；虮磉_(dá)的熱圖顯示了三個(gè)Cluster之間的差異(圖3D)。

圖3. 鑒定失巢凋亡相關(guān)基因簇

4.?失巢凋亡相關(guān)預(yù)后風(fēng)險(xiǎn)模型的構(gòu)建

使用單因素Cox比例風(fēng)險(xiǎn)回歸分析篩選候選預(yù)后基因，然后將這些基因應(yīng)用于LASSO回歸，篩選出5個(gè)基因(圖4A,B)。計(jì)算風(fēng)險(xiǎn)評(píng)分，根據(jù)風(fēng)險(xiǎn)評(píng)分的中位數(shù)將患者分為兩組。高風(fēng)險(xiǎn)評(píng)分的患者比低風(fēng)險(xiǎn)評(píng)分的患者生存概率更低，死亡時(shí)間更早(圖4D)。

圖4. 構(gòu)建與失巢凋亡相關(guān)的預(yù)后風(fēng)險(xiǎn)模型

5.?構(gòu)建預(yù)測(cè)總生存率的Nomogram，以及預(yù)后風(fēng)險(xiǎn)模型的驗(yàn)證

基于風(fēng)險(xiǎn)評(píng)分、年齡、性別、階段等各因素構(gòu)建Nomogram，根據(jù)“總分”推斷1-5年的總生存率（圖5C）。

應(yīng)用ICGC和GEO數(shù)據(jù)集驗(yàn)證失巢凋亡相關(guān)預(yù)后風(fēng)險(xiǎn)模型的性能（圖5E）。結(jié)果與TCGA數(shù)據(jù)集中的結(jié)果相似，表明與anoikis相關(guān)的預(yù)后風(fēng)險(xiǎn)模型在預(yù)測(cè)總生存率方面具有很強(qiáng)的性能。

圖5.構(gòu)建Nomogram和預(yù)后風(fēng)險(xiǎn)模型的驗(yàn)證

6.?兩組危險(xiǎn)人群免疫細(xì)胞浸潤(rùn)的不同特征

分析2個(gè)亞群、3個(gè)基因簇、2個(gè)風(fēng)險(xiǎn)組和2個(gè)臨床結(jié)局的分布和關(guān)系(圖6A)，發(fā)現(xiàn)兩個(gè)亞組和三個(gè)基因簇在風(fēng)險(xiǎn)評(píng)分上存在顯著差異(圖6B,C)。接下來(lái)，使用CIBERSORT算法來(lái)探索浸潤(rùn)免疫細(xì)胞與高危人群的相關(guān)性(圖6D-E)。關(guān)鍵預(yù)后基因也與大多數(shù)免疫細(xì)胞高度相關(guān)(圖6H)。

圖6. 免疫浸潤(rùn)分析

?

總結(jié)

這篇文章的創(chuàng)新點(diǎn)就是基于失巢凋亡相關(guān)基因進(jìn)行了疾病分型，之后的預(yù)后模型、構(gòu)建風(fēng)險(xiǎn)評(píng)分、分析不同風(fēng)險(xiǎn)組患者免疫浸潤(rùn)、構(gòu)建nomogram等均為常規(guī)分析。

值得借鑒的作者運(yùn)用了“二次聚類(lèi)”分析，新穎的分析思路也是亮點(diǎn)之一。

熱點(diǎn)方向+思路創(chuàng)新，直接拿下6分+純生信文章，而且接收很快，性?xún)r(jià)比如此之高，你還不心動(dòng)嗎？

如果你還苦惱于生信分析沒(méi)有思路，或者嫌分析方法太過(guò)簡(jiǎn)單、太過(guò)老套，想要?jiǎng)?chuàng)新思路的，或者對(duì)失巢凋亡等熱點(diǎn)方向感興趣的小伙伴快來(lái)聯(lián)系小云吧！