8分+代谢新分析方向--鞘脂代谢！教你如何借“单细胞”的东风玩转预后模型！生信没思路
常规Bulk RNA测序分析预后模型思路很常见。
但如何灵活加入单细胞测序数据，为分析思路增加亮点？
还有新方向鞘脂代谢等你来看~
如果小云问你：分析单细胞测序数据能得到什么？
你可能多多少少会说出一些，比如了解样本的异质性、分析细胞亚群、单细胞的差异基因。。。
但如果问：如何能灵活应用单细胞数据，为整体的分析思路助力呢？
你可能需要思考几分钟、几个小时或者直接放弃思考。。。
（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~）
小云今天要给你介绍一个单细胞数据的巧妙用法：可以将单细胞数据和WGCNA联合筛选关键基因！
别急，今天还有一个重点要分享，就是代谢分析的新方向--鞘脂代谢(sphingolipmetabolism, SM)！
鞘脂是脂类的重要组成部分，鞘脂代谢密切参与细胞凋亡和增殖的调控，为各种疾病的生理病理研究提供了基础（ps：划重点，肿瘤和非肿瘤疾病都可以分析哦~）。鞘脂代谢是细胞信号传导的重要组成部分，在调节细胞增殖、分化和凋亡的动态平衡中起着关键作用，还调节细胞死亡、衰老和细胞周期阻滞，参与炎症、血管内皮屏障、免疫细胞转运、应激反应、平滑肌收缩和舒张等等（ps：功能涉及如此广泛，赶快关注起来吧~）。
SM的关键酶和中间产物能够调节肿瘤细胞并进一步影响临床预后，在乳腺癌患者的血清中检测到异常水平的鞘脂分子。
那么，分析鞘脂代谢相关基因的生信思路就顺理成章了！赶快来看看吧~
题目：探究鞘脂相关基因在乳腺癌临床转归中的作用
杂志：Frontiers in immunology
影响因子：8.786
发表时间：2023年2月
数据信息
研究思路
从TCGA数据库和GEO数据库下载乳腺癌（BC）数据，进行单细胞测序分析(scRNA-seq)、加权共表达网络分析和转录组差异表达分析。然后通过Cox回归、Lasso回归分析，筛选出7个鞘脂相关基因(SRGs)，构建BC患者的预后模型。最后，通过体外实验验证了关键基因PGK1在模型中的表达和功能。
流程图
主要研究结果
1. 单细胞测序数据分析
对单细胞数据集进行分析，所有细胞被划分为19个更详细的簇(图1A)。有8种不同类型的细胞，如成纤维细胞、单核/巨噬细胞和肿瘤细胞等(图1B)。使用AUCell R包检测每个细胞的鞘脂代谢(SM)活性，分析鞘脂相关基因(SRGs)的表达特征。基因表达越多的细胞AUC值越高，主要是橙色B细胞和浆细胞(图1C, D)。所有细胞都进行SRGs的AUC评分，并根据AUC评分阈值分为两组(高、低鞘脂-AUC组)。进行差异表达和功能分析，确定两组之间的DEGs和通路(图1E)。
图1. 细胞亚群注释和差异表达基因鉴定
2. 加权共表达网络分析
WGCNA用于寻找与鞘脂相关的基因（图2E），12个非灰色模块中，蓝色和棕色模块与SM的关系最密切（图2F），获得关键模块基因。
图2. 加权共表达网络分析
3. 鞘脂相关预后模型的构建与验证
将在单细胞中获得的影响鞘脂代谢活性的最相关基因与模块相关基因取交集，得到303个基因进行后续分析(图3A)。单因素分析共获得63个预后基因。接下来采用LASSO Cox回归分析筛选出7个模型基因，建立预后模型(图3B)。计算每个样本的风险评分。根据中位数将患者分为高风险组和低风险组。ROC曲线分析发现与鞘脂相关的预后模型在预测患者结局时是高度准确的（图3F-G）。
（ps：cox回归筛选预后标记基因构建评分模型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 ）。
图3. 鞘脂相关预后模型的构建与验证
4. 构建Nomogram、预后特征的临床病理分析和突变分析
利用临床信息和风险评分，创建nomogram（图4A），以更准确地量化BC患者的风险，决策曲线表明该nomogram可以有效预测患者的预后。
临床热图确定两个危险组之间临床特征的差异（图4B），结果显示两组肿瘤年龄、T、N分期差异有统计学意义。
进一步分析高、低风险组的基因突变差异，两组间肿瘤突变负荷(TMB)差异显著（图4F），风险等级与TMB值呈正相关（图4G），并分析了TMB联合风险评分对OS的预后影响（图4H-I）。
图4. 构建Nomogram、预后特征的临床病理分析和突变分析
5. 免疫微环境分析
使用CIBERSORT方法确定了每个样本中的22种免疫细胞浸润程度（图5A）。低风险组有更高的间质评分、免疫评分和ESTIMATE评分（图5C），表明该组有更高的总体免疫水平和TME的免疫原性。还分析了两组间免疫检查点表达的变化情况（图5D），发现37个免疫检查点基因在低风险患者中显著上调。
图5. 免疫微环境分析
6. SRGs风险评分预测治疗反应
将高、低风险组的免疫分型与传统免疫分型进行比较（图6A），显示各组的免疫表型差异显著。进行肿瘤免疫功能障碍和排除(TIDE)分析（图6B），由于TIDE评分较低，高风险组对免疫治疗的反应更好。进一步研究SRG风险评分与免疫检查点阻断(ICB)相关信号、免疫相关基因的关系。
图6. SRGs风险评分预测治疗反应
7. 关键基因PGK1的泛癌分析、验证及其与预后的关系
PGK1表达水平的泛癌分析显示（图7A），相对于正常组织，PGK1在BC中高表达。预后分析显示，PGK1高表达患者预后不良（图7B-E）。采用20对乳腺癌组织样本（图7F）和乳腺癌细胞系验证了PGK1的表达和潜在功能（图7G-H），证实上述分析结果的准确性。
图7. 关键基因PGK1的泛癌分析、验证及其与预后的关系
总结
这篇文章的创新点就是基于鞘脂代谢相关基因进行了生信分析，之后的预后模型、构建风险评分、分析不同风险组患者肿瘤微环境、构建nomogram等均为常规分析。基于代谢的生信分析方向又添一员大将~
值得借鉴的作者巧妙的运用了单细胞数据分析和和WGCNA联合筛选鞘脂代谢关键基因的方法，新颖的分析思路也是亮点之一。
另外还有后续关键基因的验证实验也是很好的加分项。整体看来有上述因素的帮助，常规预后模型思路发到8分+也是实至名归~
如果你还苦恼于生信分析没有思路，或者嫌分析方法太过简单、太过老套，想要创新思路的，或者对鞘脂代谢等热点方向感兴趣的小伙伴快来联系小云吧!
