你应该见过采用机器学习算法分析关键基因的；

可你见过机器学习分析关键免疫细胞的吗？

那你见没见过机器学习同时分析免疫细胞和关键基因的呢？

最近有粉丝跑来问小云，说你们做的直播中，“非肿瘤”主题还挺多的，是否更偏爱非肿瘤疾病呢？

小云眼球一转，思考半秒。。。

嗯，对于小云个人而言，倒是挺钟爱挖掘非肿瘤疾病的生信分析思路的。、

研究肿瘤的别生气哦，肿瘤的思路小云也分享过很多滴。

为什么呢？因为小云总是能发现其中某些新奇的点。

虽然非肿瘤疾病数据并不丰富，但也许正因为如此，才让研究者们不断的思考如何能分析出新花样来，不然怎么讨好审稿人呢？

小云之前跟你们说过，如果你关注的疾病已经有人发了生信分析文章，其中一种解决方法就是可以分析疾病的亚组，也就是从疾病分组上找创新。今天小云要给你们分享的这篇文章，亮点可不止这一个（文末有详解哦，千万别错过！）

亮点一：就是从稳定斑块vs不稳定斑块这个角度切入分析；

亮点二：采用机器学习算法分别筛选了关键的免疫细胞和关键基因；

亮点三：利用单细胞数据验证分析结果；

亮点四：构建药物、基因和免疫细胞的相互作用网络。

快来跟着小云一起学习它的巧妙之处吧。

数据信息

研究思路

使用CIBERSORT方法对稳定和不稳定颈动脉粥样硬化斑块之间的22种免疫细胞进行定量分析。进一步计算差异表达基因(DEGs)，分析GO和KEGG途径的富集情况。利用机器学习方法(包括LASSO回归和随机森林)筛选重要细胞类型和关键基因。单细胞RNA测序和临床样本进一步用于验证关键细胞类型和关键基因。最后，利用DGIdb基因-药物相互作用数据数据库寻找靶向关键基因的治疗药物，并展示药物、基因和免疫细胞的相互作用网络。

分析流程图

主要研究结果

总结

这篇文章的巧妙之处就在于：

亮点一：从稳定斑块vs不稳定斑块这个疾病角度进行切入分析；

亮点二：采用机器学习算法分别筛选了关键的免疫细胞和关键基因，而且能够基于关键的免疫细胞将两个疾病亚区分开；

亮点三：利用单细胞数据验证分析出来的关键免疫细胞，以及关键基因在关键细胞中的表达情况；

亮点四：预测靶向关键基因的潜在药物，并构建药物、基因和免疫细胞的相互作用网络，别小看这个调控网络，后续完全可以根据这个网络形成多个课题思路哦。“XX药物通过XX基因调控XX免疫细胞影响斑块稳定”，其中药物可以换、关键基因可以换、免疫细胞类型也可以换。。。这样还愁后续课题没思路吗？

看完小云的分析，不知如此巧妙的分析思路有没有让你有一点点心动呢？

没有思路不要紧，小云会帮你找到创新的思路哦！如果你对热门/潜在热门方向感兴趣，或者想定制创新性思路欢迎直接call小云哦，下一篇生信文章在向你招手！另外,还有我们的精品培训课程《线粒体和细胞死亡课题思路介绍及热点方向分析专题会议》，有意向的小伙伴也欢迎咨询小云哦!