隨著測序技術的發展，每年測序數據量以PB級增長。隨著海量測序數據的增長，越來越多的研究人員開始挖掘公共數據庫中的測序數據的意義。已有很多研究表明，某個基因可能參與了某種腫瘤的發生和發展。我們可以使用生物信息學的方法分析基因在腫瘤中參與的生物過程和行使的功能。本文主要介紹單基因生信分析的思路。
一、單基因生信分析能發什么樣的SCI
據小編不完全統計，單基因生信分析發表的雜志主要有Molecular Therapy Nucleic Aids、Frontiers in Oncology、Frontiers in Immunology、Aging、International Journal of Molecular Sciences 、EBioMedicine和Journal of Cancer等，影響因子在4-8之間。
二、單基因生信分析內容
單基因生信分析內容主要分為兩步，第一步為篩選核心基因，第二步為對核心基因進行深入分析，包括單基因泛癌免疫，WGCNA, 突變拷貝數多組學分析，預后模型等。
篩選核心基因
根據單基因生信分析的文獻，小編總結了幾種篩選核心基因的方法。分別為基于ESTIMATE算法計算患者免疫打分，基于多數據集差異分析和WGCNA方法篩選核心基因。
第一種：
1. 免疫、基質和ESTIMATE打分與亞型和預后的關系
使用ESTIMATE算法計算腫瘤患者的免疫打分，基質打分和ESTIMATE打分（圖1A和1B）。根據免疫打分，將患者分為免疫打分高組和免疫打分低組。Kaplan-Meier曲線分析不同免疫組的預后（圖1C）。
Figure 1
2. 免疫微環境相關基因的差異分析，功能富集分析和PPI分析
為了分析免疫打分與基因表達水平的關系，對腫瘤患者的免疫打分高組和免疫打分低組進行差異分析，鑒定DEGs，聚類熱圖繪制排名前20的上調和下調基因的表達水平（圖2A）。對差異表達基因進行GO和KEGG富集分析（圖2B和2C）。圖2D主要展示GSEA分析結果。
Figure 2
3. 蛋白互作網絡鑒定核心基因
使用STRING在線工具和Cytoscape繪制蛋白互作網絡。鑒定免疫應答核心基因。
Figure 3
第二種：
1. 篩選多個數據集中共有的差異表達基因
對多個數據集的腫瘤組織和正常組織進行差異分析，鑒定差異表達基因（圖4a-4c）。對這些差異表達基因取交集得到共有的差異表達基因以作為候選基因（圖4d）。繪制共有的差異表達基因在腫瘤組織和正常組織中表達水平的聚類熱圖（圖4e）。
Figure 4
2. 通過ROC曲線分析和AUC篩選核心基因
對候選基因進行ROC曲線分析并計算AUC，評估候選基因對診斷腫瘤的敏感性和特異性。根據AUC值篩選核心基因（圖5a-5d）。AUC值最大的基因可作為核心基因進行下一步分析。通過構建五倍交叉驗證的核心基因的ROC曲線和混淆矩陣確定核心基因的預后價值（圖5e和5f）。
Figure 5
第三種：
1. 基于WGCNA構建共表達網絡
根據腫瘤患者的轉錄組數據構建共表達網絡，并根據模塊的保守性和Z-summary打分鑒定關鍵模塊（圖6）。
Figure 6
2. 鑒定關鍵模塊中的核心基因
對模塊中的hub基因繪制聚類熱圖并使用Cytoscape軟件計算hub基因的連接程度以鑒定核心基因（圖7）。
Figure 7
單基因深入分析
參考：****5分+單基因單癌種免疫相關純生信模版
1. 基因與生存分析和臨床病理特征相關性分析
對核心基因進行Kaplan-Meier分析（圖8A），研究核心基因與臨床病理特征的相關性（圖8B-8F）。
Figure 8
2. 針對核心基因與免疫細胞群的相關性分析
為進一步闡腫瘤中核心基因的免疫功能，使用微環境細胞群計數算法計算免疫細胞群的豐度（圖9A和9B）。這些結果表明核心基因可能參與調節細胞免疫，而且在不同癌種中的免疫調節模式不同。
Figure 9
3. 誘導免疫反應中核心基因與其他免疫檢查點協同作用
為研究腫瘤誘導免疫反應中核心基因與免疫檢查點的協同作用，評估核心基因與免疫檢查點的相關性（圖10A-10D）。
Figure 10
4. 核心基因與特定細胞免疫和炎癥反應的相關性
使用GSVA分析研究核心基因與特定免疫及炎癥反應的相關性。從7個簇中提取出104個基因并使用GSVA算法定義metagenes。鑒定核心基因在腫瘤中免疫和炎癥功能(圖11)。
Figure 11
5. 確定免疫調節因子與核心基因的相關性
使用cBioPortal查詢與免疫調節因子相關的基因（圖12B），對這些基因進行GO和KEGG分析（圖12C和12D）。
Figure 12
6. 已知基因與多組學聯合分析
基于已知基因的表達水平，將患者分為高表達組和低表達組。結合miRNA，lncRNA或甲基化或數據研究差異分組下的miRNA，lncRNA或甲基化差異水平（圖13）。
Figure 13
7. 核心基因相關免疫調節因子對腫瘤的預后作用
為研究核心基因對腫瘤的預后作用，進行單因素多因素Cox回歸分析，得到基因的預后特征。并利用lasso回歸構建與基因相關的免疫調節因子預后模型，并構建列線圖以評估患者預后(Figure14, 15, 16)
Figure 14
Figure 15
Figure 16
8. 實驗驗證
如果有條件的話，可以使用Western blotting，PCR或者IHC染色檢測篩選到的基因表達水平。做到這一步，你的文章已經達到6分標準了，如果加上深入的機制實驗，把故事講好，能發更高的分數，同時也會申請基金課題打下堅實的基礎。
Figure 17
參考文獻：
【1】Identification of Novel Tumor-Microenvironment-Regulating Factor That Facilitates Tumor Immune Infiltration in Colon Cancer
【2】Identification of AUNIP as a candidate diagnostic and prognostic biomarker for oral squamous cell carcinoma
【3】Construction of co-expression modules related to survival by WGCNA and identification of potential prognostic biomarkers in glioblastoma
【4】Integrated Bioinformatical Analysis Identifies GIMAP4 as an Immune-Related Prognostic Biomarker Associated With Remodeling in Cervical Cancer Tumor Microenvironment
【5】Comprehensive Analysis of the Immune Implication of ACK1 Gene in Non-small Cell Lung Cancer
【6】Application of cAMP-dependent catalytic subunit β(PRKACB) Low Expression in Predicting Worse Overall Survival:A Potential Therapeutic Target for Colorectal Carcinoma
【7】Identification of PGRMC1 as a Candidate oncogene for Head and Neck Cancers and Its Involvement in Metabolic Activites
【8】Molecular and Clinical Characterization of PD-1 in Breast Cancer Using Large-Scale Transcriptome Data
作者：WOSCI沃斯編輯
鏈接：http://www.lxweimin.com/p/247a9ec3f2e0
