容易被忽视的TCGA单核苷酸多态snp数据6大类分析概括|突变负荷|异质性|亚克隆|驱动基因
目前因为生信相关教学和网络教学以及公众号教学兴起，所以可以说生信分析在文章中的出现越来越普遍。但是目前还有很多人想通过纯生信去发表文章，但是问题是很多分析我个人认为是非常趋于同质化或者说是完全缺乏创新性！！！我来总结一下大家目前常用的一些被不断沿用的相对老套的分析：
WGCNA分析，权重共表达网络分析
GO和kegg富集分析
GSEA富集分析
ceNET网络
PPI网络
多中心GEO芯片花式作图
mRNA,lncRNA，circRNA差异基因分析，火山图|热图|韦恩图|PCA图
免疫浸润和免疫微环境
这些是目前可以找到的教程和生信分析套路最多的分析，且简单易学，不过目前上述由于学习的人太多，所有基本每个人的生信文章都有，所以相对比较老套，且发文应该是越来越困难。
那么该如何改变生信分析老套、投稿困难的难题，这里就必须要提倡差异化。除了目前比较火爆单细胞测序之外，其实还有戳手可得的一类数据一直被我们忽视，那就是TCGA数据库和ICGC数据的单核苷酸多态SNP数据。个人认为，SNP的相关几大类分析可以很好地和上述分析相融合，做到和他人生信分析的完全差异化。那么这里我总结一下TCGA的SNP可以做的几大类分析，当然各位老哥老姐有补充最好，下面总结归类和一些相关图表，欢迎补充。
1.第一类：肿瘤突变负荷:•tumor mutation burden，现阶段pd-1免疫评价重要预后指标
2.第二类：肿瘤异质性MATH评分，通过MATH算法计算评分值，鉴定肿瘤样本的异质性大小，肿瘤异质性与肿瘤侵袭、临床预后，耐药关系密切
3.第三类：肿瘤亚克隆进化推断，分为细胞团块的亚克隆鉴定与肿瘤进化模式图，判断肿瘤生长周期中的亚克隆、增殖变化
4.第四类：癌症驱动基因鉴定
5.第五类：APOBEC肿瘤突变标签样本富集，APOBEC家族蛋白过表达时可造成特异的碱基替换，促进肿瘤发生
6.第六类：突变标签鉴定，又称为mutation signature，共有96种突变模式，这个分析其实类似于进阶版的Go和kegg
以上就是我目前的SNP 6大类分析，希望对大家的生信分析思路和学习有所帮助！！！麻烦点赞支持哦😯😯😯。有问题可以问，微信公众号：雷枪医学信息技术
