如何从Nature文章思考并形成我们自己的生信分析思路？这套独家秘笈轻易不外传！

你是否曾想过发表一篇Natrue级别的文章？

即使不能立即实现，也可以向着这个目标努力。

比如从Natrue文章衍生出一篇生信分析思路！

想必资深粉丝都知道，小云的公司不仅具有专业的云生信团队，还有一系列培训课程，教大家了解最新的科研热点和课题设计思路。也就是说你们从生信分析角度入手了一篇文章，还可以知道如何延伸形成后续的课题。

那么如果反向操作是否可行呢？

当然可以！小云今天就教你如何从Nature文章思考并形成我们自己的生信分析思路！

2021年11月Natrue上的一篇研究发现免疫B细胞能够分泌代谢物γ-氨基丁酸 (GABA)。GABA是大脑中的神经递质，在神经发育中起着关键作用，它与某些神经系统疾病有关。但这篇研究中发现B细胞释放的GABA能促进单核细胞分化成分泌IL-10的抗炎巨噬细胞、降低了肿瘤浸润CD8+T细胞的数量，抑制CD8+T细胞杀伤肿瘤的功能、调节抗肿瘤免疫，促进肿瘤生长。

然后，2022年Nature子刊nature cell biology的另一项研究表明，结肠癌及肺癌细胞也可以分泌神经递质GABA，并促进肿瘤生长，抑制肿瘤免疫。

这两篇研究说明肿瘤细胞和免疫细胞也能分泌神经递质，并发挥作用。神经递质通过与其受体结合发挥功能，而且肿瘤细胞和免疫细胞上也广泛表达神经递质受体。那么生信分析的思路就来了，我们可以做神经递质受体相关基因的生信思路呀！于是小云搜索后，发现了一篇最近发表的神经递质受体相关的生信文章：

发表时间：2022年8月

发表杂志：Frontiers in cell and developmental biology

影响因子：6.081

文章题目：综合分析确定神经递质受体相关基因作为肝细胞癌预后和治疗的生物标志物

数据信息

研究思路

大家千万不要被看似复杂的分析流程图吓到，其实分析内容很简单：ICGA数据作为内部验证，TCGA数据作为外部验证，9例临床样本数据作为验证数据。然后均基于神经递质受体相关基因（NRGs）建立的风险评分进行分组，分析差异表达基因和信号通路。然后，使用ROC分析和nomogram预测模型检验模型诊断的有效性。最后基于9个DEGs预测潜在的靶向药物。

主要研究结果

1.基于神经递质受体相关基因（NRGs）构建风险评分

ICGC-LIRI-JP数据集分析了115个神经递质受体相关基因(NRGs)对HCC患者预后的影响，其中9个NRGs与患者的预后相关（图2A）。利用LASSO回归模型建立了基于9个NRGs的风险评分。根据风险评分，将HCC患者分为两组，生存曲线显示风险评分越高的患者生存期（OS）越短(图2E)。ROC分析表明，该风险评分模型可以有效预测患者的生存 (图2F)。

2.在TCGA-LIHC数据集和临床HCC样本中验证了风险评分的有效性

外部验证数据集和临床样本数据同样根据风险评分，将HCC患者分为两组，筛选差异表达基因(DEGs)，利用基因本体(GO)分析DEGs的功能富集，并识别潜在的信号通路。从ICGC-LIRI- JP数据集和TCGA-LIHC数据集共筛选出447个相互的DEGs(图3A)。PPI网络揭示了相互的DEGs之间的联系，以及一些关键蛋白 (图3B)。

3.Nomogram的构建与潜在靶向药物的预测

Nomogram预测模型检验模型诊断的有效性（图4A），nomogram校准图也显示了基于模型的可靠预测效果(图4B)。

最后，基于9个DEGs，利用CMAP数据库预测HCC治疗的潜在靶向药物（图4）。

总结

怎么样？看完小云的分析，你是否也学会了“如何从Nature文章思考并形成我们自己的生信分析思路”？
没事多看看CNS级别的文章，没准就灵感大爆发了呢！

也可以考虑神经递质受体这个分析思路，毕竟相关的生信文章很少。

 如果你对此感兴趣或者还是没有想好分析思路的话，都可以来咨询小云哦！