独特疾病分组自测数据+公共数据生信分析，关联Th2细胞搞定干湿结合文章！内容简单易复
想做生信分析没数据怎么办？
还有其他性价比高的研究思路吗？
都2023年了，有的朋友还在纠结“生信能不能发？好不好发？”
就像前几年的测序一样，一开始出现的时候，简单做个转录组测序都能发高分文章，再看看现在，转录组测序已成基本操作。一个新的技术、发文形式、热点方向都是有红利期的，第一波“吃螃蟹”的人，生信文章已经发的盆满钵满了，你还要继续观望吗？
现在生信热点的更新之快，一开始还能以简单的分析发高分文章，再往后就要拼思路创新性和验证实验了~ ~
（不知道如何找新思路或创新升级的可以找小云，各种个性化分析思路等你来挑~）
“干湿结合”类文章也是生信发展的大趋势。目前常见的是公共数据生信分析+实验验证的思路。小云之前也分享过利用公共数据和芯片自测数据的分析思路（详见文末链接~）。
今天再来看点不一样的思路：先做自测数据，再利用公共数据做验证分析。（ps：这种思路适用于公共数据库没有合适数据的情况~）。文章的分析内容比较简单，容易复现。而且还关联了Th2细胞，如果想发分数高一点的，也可以对此分析思路进行升级！（如何升级？文末有总结~）
题目：Th2细胞浸润高级别浆液性卵巢癌:一个可能导致预后不良的特征
杂志：Journal of gynecologic oncology
影响因子：4.756
发表时间：2023年3月
研究思路
研究两组预后不同的高级别浆液性卵巢癌(HGSOC)患者转录组谱的差异，并确定复发的潜在生物标志物。对两组具有不同无进展生存期(PFS)的HGSOC患者进行RNA测序，分析应答不良 (PR;PFS≤6个月)和反应良好(GR;PFS≥12个月)组的转录组数据。采用xCell评估了63个细胞在肿瘤微环境中的丰度。GEO和TCGA数据集验证了与复发相关的肿瘤浸润细胞的预测价值。采用加权相关网络分析鉴定细胞浸润相关基因。
主要研究结果
1. 自测数据
纳入10例高级别浆液性卵巢癌(HGSOC)患者，分为反应良好(GR, n=6)组和反应不良(PR, n=4)组，分别定义为PFS≥12个月和≤6个月。对10例患者的样本进行转录组测序。
图1本研究分析的患者流程图
2. 分析DEGs并进行功能富集分析
分析GR组和PR组的差异表达基因（DEGs）（图2A-B）。并进行GSEA。生物过程(BP)中基因富集到免疫相关通路(图2C、G、H)。受抑制基因的分子功能(MF)的富集项与受体活性有关(图2D)，细胞成分(CC)的富集项位于质膜上(图2E)。这些结果表明，与GR组相比，PR组通过细胞表面受体抑制了白细胞与肿瘤细胞的相互作用。Ractome Pathway富集的结果也显示，被抑制的基因富集到“淋巴细胞和非淋巴细胞之间的免疫调节相互作用”和“g蛋白偶联受体(GPCR)配体结合”(图2F)。说明通过趋化因子和细胞表面受体抑制非免疫细胞与免疫细胞之间的相互作用，可能会抑制TME中的整体免疫激活，导致白细胞浸润状态的差异，从而影响HGSOC的预后。
3. Th2细胞浸润水平高与HGSOC预后不良相关
为了评估免疫细胞在TME中的浸润状态，使用xCell包分析了每个样本中所有细胞的浸润评分。在63个肿瘤浸润细胞群中，PR组CD8+有效记忆T (Tem)细胞、Th2细胞浸润水平显著高于GR组，而GR组CD4+ T细胞浸润水平高于PR组(图3)。
（ps：免疫细胞浸润分析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. GR组与PR组的免疫细胞浸润分析
接下来，作者评估差异浸润细胞是否对HGSOC患者的复发有预测价值。利用GEO数据绘制时间相关的ROC曲线，结果发现只有高浸润的Th2细胞预示预后不良，复发6个月时AUC = 0.84(图4A)。作者进一步利用TCGA-OV队列测试Th2细胞浸润的预测能力。与GR患者相比，PR患者的Th2细胞浸润明显更高(图4B)，Th2细胞高浸润患者的生存率也明显较低(图4C)。
图4. GEO和TCGA组中差异浸润细胞预后价值的评估
4. Th2细胞浸润相关基因的鉴定及功能富集分析
利用WGCNA网络来识别与Th2细胞浸润相关的关键基因(图5A)。共检测到48个模块，它们之间的关系用热图表示(图5B)。其中orangered1模块(包括72个基因)与Th2细胞浸润相关的基因显著性最高(图5C)。
作者对orangered1模块进行了GO富集分析，发现72个基因主要富集于细胞外基质组织和整合素结合(图5D和E)，说明细胞外基质和整合素对Th2细胞浸润的重要作用，可能影响HGSOC的预后。
图5. 鉴定与Th2细胞浸润相关的模块，并对模块基因进行GO富集分析
总结
这篇文章不是先利用公共数据进行分析，而是收集临床样本进行转录组测序，再对测序结果进行分析，而公共数据用来做辅助验证分析，思路有别于常见的公共数据分析+样本验证的模式。
如果公共数据没有你感兴趣的疾病方向，想做生信分析没数据，可以考虑做测序，用自测数据进行分析，也是一个不错的选择，而且普通转录组测序价格不贵，可以尝试。如果没有临床样本也可以用细胞或动物样本做测序~
另外，这篇文章的思路也可升级？接下来可以针对Th2细胞相关的关键基因进行分析，比如预后模型、风险评分、功能富集分析、免疫浸润等等。当然还可以加入单细胞数据的分析以及实验验证，为后续课题做基础。
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，或者对免疫细胞等热点方向感兴趣的小伙伴快来联系小云吧！
