干细胞仍值当打之年！肿瘤分型+机器学习诊断模型, 10分+生信分析强势出圈，模板思路值

肿瘤相关生信现在竞争这么激烈，该怎么拿高分呢？

看看生信文章分布，基本就是预后模型（占比最高）、分型、泛癌等，突破点又在哪里？

新热点抢发红利期较短，需要眼疾手快，如果错过了抢发期或者做经典热点方向可以从哪里创新？

小云这次就提出的点是：在原来的分析套路中注入新鲜血液——机器学习，比如“肿瘤分型+机器学习构建模型”，利用“分析手段联合”来以小博大，做到思路上创新，提升文章分数！

下面就以一个经典热点——“干细胞”方向为例，看看如何利用“肿瘤分型+机器学习诊断模型”思路强势出圈，直接搞定10分+文章！模板思路，容易复现，学起来！

发表时间：2022年1月

发表杂志：Environmental Pollution

影响因子：8.071

文章题目：通过亚型和特征的网络计算分析鉴定血管生成和 m6A 修饰对低级别胶质瘤免疫抑制和治疗敏感性的影响

研究背景

免疫疗法在肝细胞癌(HCC)中取得了很大进展，但仍然缺乏预测对其反应的生物标志物。肿瘤干细胞是HCC肿瘤发生、转移和多药耐药的主要原因。本研究旨在提出一种新的HCC肿瘤干细胞相关分类器来预测患者对免疫疗法的反应。

数据资源

流程以及主要结果

首先基于PCBC数据库(syn2701943)中多能干细胞（PSCs）的RNA-Seq数据，通过OCLR机器学习算法识别干细胞特征，然后在TCGA-HCC 的RNA-Seq表达矩阵和stemness特征之间进行Spearman相关分析来确定干性指数(mRNAsi)。mRNAsi越高，肿瘤去分化越严重，干性越高。然后，根据mRNAsi评分，将患者分为两类:具有不同预后状态、临床特征、功能注释和肿瘤突变负荷的stemness亚型。然后，应用整合生物信息学分析来区分肿瘤微环境状态、免疫基因组模式和对化疗的敏感性。最后，应用四种机器学习算法(LASSO、RF、SVM-RFE和XGboost) 找到核心的stemness亚型相关特征，取交集之后总共识别出5个hub DEGs。然后，进行多元logistic回归分析，建立诊断模型以便预测HCC患者的stemness亚型，最后在TCGA和ICGC数据集中进行验证。

文章小结

这篇文章首先利用PSC的RNA-seq数据通过机器学习算法获得干细胞特征，相较于直接找干细胞相关基因，加上机器学习后创新性就上了一个台阶。然后又在原本肿瘤分型的老分析套路上加入机器学习构建诊断模型的分析内容，思路的创新性立马又提升1个level！

文章把机器学习与肿瘤分型融合，达到了1+1>2的效果，分数从4分左右直接跃升到10分+，并且这种联合方法可以在各种疾病应用，换个癌种即可轻松复现，模板思路赶紧学起来！