7分+生信友好杂志被SCI剔除，文章还值得借鉴吗？这篇双疾病的分析思路，从临床难鉴别

2023-03-29 12:25 作者:尔云间 0人读过 | 我要投稿

单个疾病的生信没新意，可以分析双疾病！

临床上难以鉴别的疾病怎么筛选诊断标志物？

生信分析来帮忙~

就在3月20日，科睿唯安官方发布了2023年最新的SCI目录，多本期刊被SCI剔除，其中还包括影响因子高达7.31的生信友好期刊Oxidative Medicine and Cellular Longevity。（ps：大家后续文章投稿，尤其是要毕业的小伙伴，一定要注意甄别哦！）

那么这本杂志上的文章还值得借鉴吗？小云今天特意挑选了一篇双疾病的生信文章，跟大家一起来点评一下吧（ps：估计后面也不会分享这个杂志的文章了，除非还有什么转机~）。

（不知道如何找热点或创新升级的可以找小云，各种个性化分析思路等你来挑~）

小云看完这篇文章之后，觉得值得一说的点有3个：

（1）验证实验；

（2）反向验证集的应用；

（3）构建了疾病诊断的在线预测工具；

一起来看看吧~

题目：C1QC、VSIG4和CFD作为心房颤动相关心源性栓塞性卒中的潜在外周血生物标志物

杂志：Oxidative medicine and cellular longevity

影响因子：7.31无

发表时间：2023年1月

数据信息

研究思路

从GEO数据库下载心房颤动(AF)、心源性栓塞性卒中(CE)和大动脉粥样硬化(LAA)相关的基因表达谱，鉴定差异表达基因(DEGs)，然后进行功能注释。通过机器学习算法SVM-RFE和LASSO回归分析，鉴别潜在的诊断房颤相关心源性栓塞性脑卒中(AF-CE)生物标志物。通过使用外部数据集验证结果，并通过ROC曲线下面积(AUC)来衡量诊断价值。RT-qPCR验证生物标志物的表达。最后，开发了一个nomogram和配套网站来预测CE风险率。

主要研究结果

1. 分析差异表达基因（DEGs）并进行功能分析

在与CE相关的数据集中，与对照组相比，中风后3小时、5小时和24小时三个时间点分别筛选了DEGs，取交集获得了418个DEGs(图1(e))。同时，从AF相关的数据集中筛选DEGs，与这些CE相关的DEGs取交集，得到316个AF-CE相关基因(图1(f))。另外，将这两个疾病的GEO数据集合并为训练集，从合并的训练集中获得了13个AF-CE相关的DEGs基因(图1(g))。

使用Metscape在线工具对316个AF-CE相关的DEGs进行功能注释(图1(a))和DO富集分析(图1(b))。

图1. DEGs和功能分析

2. 利用LASSO和SVM-RFE算法选择诊断标记并验证

使用两种不同的算法(LASSO和SVM-RFE)从组合训练集中筛选特征基因。最终筛选出LASSO和SVM-RFE算法与GEO2R筛选的DEGs共同的7个特征基因作为AF-CE患者的诊断标志物(图2(a))。7个特征基因的ROC分析AUC值均大于0.8 (图2(b))。

（ps：机器学习算法可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html ）。

合并两个GEO数据集作为验证集验证这7个候选诊断基因的可靠性和可重复性(图2(c))。而在反向验证集--动脉粥样硬化数据集中，C1QC、VSIG4和CFD的表达无明显差异(图4(d))。说明特征生物标志物VSIG4、C1QC和CFD具有较高的诊断准确性。

（小云说：这里反向验证集证明了诊断基因的可靠，可以参考~）

图2. 利用LASSO和SVM-RFE算法选择诊断标记并验证

3. 诊断生物标记物的通路分析和免疫浸润分析

利用PathCards数据库进行富集分析(图3(a))，发现VSIG4、C1QC和CFD可能与AF-CE的调节细胞免疫反应有关。

因此，进一步分析患者样本、中风后3、5和24小时与对照样本之间免疫细胞浸润分布的差异，以及特征生物标志物(VSIG4、C1QC和CFD)与浸润免疫细胞的相关性(图3(b))。

图3. 通路分析和免疫浸润分析

4. 临床标本中诊断基因的表达验证，以及ROC曲线评估诊断价值

收集了患者的53份临床血样(LAA型缺血性脑卒中患者20份，CE患者20份，对照组13份)，qRT-PCR检测诊断基因的表达（图4(a) -4 (b)）。

（小云说：这里验证实验样本数量也不少，而且分组也注意区分了不同类型的疾病~）

构建ROC曲线评价候选诊断基因的诊断准确性(图4(e)、(g)、(k))。结果表明，C1QC、VSIG4和CFD表达在区分对照组、CE和LAA患者方面具有很大的价值，并且对所分析的两种脑卒中亚型具有特异性，可能是AF-CE的诊断生物标志物。

图4. qRT-PCR验证和ROC曲线

5. AF-CE诊断Nomogram和在线预测工具的构建和评估

基于3个诊断基因(C1QC、CFD和VSIG4)构建了诊断AF-CE的nomogram(图5(a))。决策曲线分析(DCA)和曲线下面积(AUC)表明nomogram模型能够准确地预测AF-CE (图5(b)-(c))。校准曲线表明nomogram预测AF-CE的准确性较高。

图5. 预测AF-CE风险的Nomogram

为了临床应用，作者开发了一个在线预测工具(https://www.origingenetic.com/CardiogenicStroke )，基于构建的nomogram来预测AF-CE的风险。将候选诊断基因(C1QC、CFD和VSIG4)的表达水平输入在线预测工具。临床验证结果显示，所有AF-CE患者测试样本得分接近100%，而健康对照组得分接近0%，这表明预测软件具有较高的准确性。

（小云说：作者还特意开发了一个疾病在线预测工具，便于临床应用，说明筛选出的诊断基因是认真的哦~）