1. sci666首页
  2. 文献解读

文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路

做科研需要先学习套路,才能超越套路。今天给大家介绍的套路文献是今年发表在《Oncology reports》(IF= 3.041)上的一篇文章。

文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
文章的标题虽然看上去比较泛,但也让读者一眼就能知道主题了,“molecular mechanism”、“potential drugs”、“papillary renal cell carcinoma(PRCC)”,所用的研究数据就是“TCGA and Cmap datasets”了
 
当然,也有一些同学看到TCGA这几个字母,就敬而远之了,大家可以翻翻我们之前写的文章,抑或学习下我们的课程,让这些同学们不再只是“远观”,而且可以“亵玩”。
 
首先,给大家简单介绍下文章method的主要内容:
 
1. 作者首先用GEPIA做了个差异表达(没错,就是那个网页工具);
 
2. 用MetaScape进行GO的富集分析,用Webgestalt进行KEGG通路富集分析
 
3. 根据上面得到的差异表达基因用Cmap和Drug Pair Seeker进行药物分子预测,前者是Broad下的网页工具,后者是需要下载使用的工具,不过两者都是基于Connectivity Map;
 
4. 构建药物-通路网络:基于Cmap的数据找到受药物影响的差异表达基因,然后将这些基因做基因富集分析;
 
5. 构建药物-靶标网络:作者从DrugBank里弄到了潜力位于top10的药物的分子结构,然后去STITCH数据库里找他们的靶基因;
 
6. 进一步探索PRCC的潜在药物:作者首先用STRING的数据和差异表达的基因,然后在Cytoscape里的CentiScape插件寻找其中的hub基因,再用GEPIA确认hub基因的表达水平。然后在Human Protein Atlas数据库里找了C3和ANXA1的免疫组化结果。最后作者用systemsDock(也是个网页版工具)做了个hub基因蛋白与药物之间的分子对接。
 

对于新手或者不太熟悉的同学,笔者建议将上述工具和数据库都去学一学用一用,技多真的不压身!(基本都是网站和一些简单的工具)

下面我们来看看文章的主要结果:
 
1. Table1和Table2分别展示了PRCC中差异表达基因的GO和KEGG的富集分析结果
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
2. Figure1和Figure2也是展示PRCC中差异表达基因的GO和KEGG的富集分析结果
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
3. 展示了打分最高最有潜力靶向RPCC的10个药物分子
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
4. 展示了潜在的靶向药物与信号通路之间的网络关系。蓝色的表示药物,红色的表示受药物影响的通路。
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
5. 然后作者展示了基于STITICH数据库构建药物分子和靶点之间网络关系的结果。
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
6. 作者在Cytoscape里找到了hub基因,并展示了这些hub基因之间的PPI网络:
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
7. 然后作者用GEPIA验证了上面的hub基因在PRCC和癌旁组织中存在差异表达(没错,就是GEPIA!)
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
8. 然后作者在TCPA中用C3和ANXA1的蛋白数据做了个生存分析(然而两者都不显著啊,为什么不在GEPIA里也做一个mRNA的生存分析呢?)
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
9. 作者用Protein Atlas的数据验证了C3和ANXA1两个基因的蛋白在肿瘤中表达比较高,在60%以上的病人中都检测到了,位列前茅。
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
10. 然后作者展示了免疫组化的结果比较了正常组织和肿瘤组织中的差异(数据挖掘真好,抗体的费用都省了)
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
11. 随后作者秀了下C3和ANXA1两个蛋白与药物分子的对接效果图,展示了药物能结合的氨基酸残基和空间距离。
 
文献解读:TCGA结合Cmap datasets,生信结合免疫组化的科研套路
以上就是这篇文章的主要结果,这篇文章对于想要学习数据挖掘的小白们来说,还是值得学习的,至少其中所涉及到的工具还是有不少的,推荐大家去看看学习。
 
笔者也随手给大家提两个建议,如果大家对生信技能稍微熟悉一点,这篇文章里前面的GO和KEGG可以用GSEA来作,这样的结果会更靠谱一点,结果图也可以更多一些。
 
然后就是可以用TCIA或者TIMER里的免疫细胞浸润数据分析比较一下正常和肿瘤组织间的免疫浸润差异嘛。
 
祝大家都能有所收获,多发文章,发高分文章!

这些可能会帮助到你: 问答社区 | 共享百度SVIP | 留言建议

欢迎入群交流:生信分析群: 732179952 · Meta分析群: 797345521

发表评论

登录后才能评论