经常会听到有人抱怨，为什么肿瘤的数据那么多？相比之下，非肿瘤疾病数据少多了。

小云偷偷告诉你：多又多的好处，但非肿瘤疾病也有它本身的妙处！

肿瘤数据虽多，但竞争激烈呀，需要从分析内容、分析思路上找创新，才能发一篇分值还不错的生信文章。

没有思路、不知道怎么创新的找小云，超多个性化、创新性高的分析思路供你选择！

与之相反，非肿瘤虽然数据不多，但是只要增加点创新性，不用很多很复杂的分析内容，就能发一篇不错的生信文章。

小云今天就拿铁死亡为例，带你看看非肿瘤疾病关联铁死亡，如何轻轻松松的发5分+的纯生信文章的。

研究思路

从GEO和铁死亡数据库(FerrDb)中下载了冠状动脉疾病（CAD）相关数据和铁死亡相关基因（FRGs）。经LASSO和SVM-RFE算法鉴定出7个与CAD相关的差异铁死亡相关基因（DE-FRGs）作为CAD的标记基因，进行功能富集，并获得靶向标记基因的药物，构建ceRNA调控网络，并利用CIBERSORT分析CAD患者免疫微环境的改变及与标记基因的相关性。

主要研究结果

1.筛选DE-FRGs并进行功能分析

237个FRGs中有10个在CAD和正常组之间存在差异表达，其中5个上调，5个下调。进行GO富集和Reactome途径分析，表明DE-FRGs可能通过参与调控自噬、免疫细胞、细胞因子等在CAD中发挥作用（图1）。

图1. DE-FRGs和功能分析

2.将7个DE-FRGs作为CAD的标记基因

采用两种不同的机器学习算法（LASSO和SVM-RFE），最终确定7个标记基因。基于上述7个标记基因构建Logistic回归模型，ROC曲线显示，7个标记基因回归模型AUC = 0.748。同时分别对7个标记基因绘制了ROC曲线，所有基因的AUC均大于0.6。说明回归模型比单个标记基因具有更高的准确性和特异性。

通过单基因GSEA-KEGG通路分析，进一步探索标记基因在区分疾病样本和正常样本中的潜在功能，结果图展示了各标记基因富集的top10通路。

图2.Logistic回归模型、ROC曲线和功能通路

3.免疫微环境的分析

功能分析显示标记基因与免疫应答相关。因此，利用CIBERSORT算法探索CAD患者与正常样本之间免疫微环境的差异，及标记基因与免疫细胞的相关性（图3）。

图3. 免疫细胞分析

4.标记基因靶向药物的预测

通过DGIdb数据库分析了可能靶向标记基因的药物，Cytoscape软件可视化结果如图4所示。

图4. 标记基因靶向药物的预测

5.构建基于标记基因的ceRNA网络并验证标记基因的表达

利用starBase和miranda数据库构建了基于7个标记基因的ceRNA网络。还验证了标记基因在验证集中的表达情况（图5）。

图5.ceRNA网络和验证集基因表达

总结

这篇文章的内容是不是比较简单？就是筛选了铁死亡相关的基因，再分析免疫微环境、预测靶向药物、构建ceRNA调控网络。最后利用验证数据集验证关键基因的表达，一篇5分+的文章就到手了！性价比超高，比你辛辛苦苦做实验轻松多了。

如果你还苦恼于非肿瘤疾病没有思路，或者对铁死亡等热点方向感兴趣的小伙伴快来联系小云吧。