6张图搞定7分+纯生信！1个月接收！机器学习分析诊断基因+免疫浸润，换个疾病又是一篇
大家好！小云又来更新喽~
小云时不时就会听到有小伙伴抱怨说非肿瘤数据没有肿瘤多，不好做生信分析？
其实也不必苦恼，我们要辨证的看这个问题。
肿瘤数据虽然多，但竞争多激烈呀，就拿铜死亡来说，最开始大批量出现的都是肿瘤的生信文章，过了小半年才有第一篇非肿瘤的生信文章出来。
非肿瘤数据虽然少，但是只要你关注的疾病没人发表，或者你增加一点点创新性，就可以发一篇不错的生信文章！
（没有思路、不知道怎么创新的来咨询小云吧，超多新奇的分析思路供你选择！）
接下来小云要给你们分享的这篇文章，只有简单的6张结果图，就发表了一篇7分+的纯生信，而且1个月就接收了！一起来看看吧~
题目：AKAP12和RNF11作为纤维肌痛的诊断标志物及其与免疫浸润的关系
杂志：Oxidative medicine and cellular longevity
影响因子：7.31
发表时间：2022年10月
研究思路
下载GEO数据库中纤维肌痛(FM)的数据集，随机分为训练集和测试集。筛选差异表达基因(DEGs)，进行功能相关性分析。采用随机森林(random forest, RF)方法筛选和验证FM的诊断标志物。然后使用LASSO逻辑回归算法评估FM患者外周血中的免疫细胞浸润情况。最后采用Spearman秩相关分析确定诊断指标与免疫细胞浸润的相关性。
分析流程图
主要研究结果
1. 分析差异表达基因（DEGs）并进行功能富集分析
与健康对照组相比，FM患者有26个DEGs上调，43个DEGs下调。GO分析结果显示，DEGs主要与病毒防御反应、病毒基因组复制调控、I型干扰素(IFN)信号通路以及细胞对I型IFN的反应有关。KEGG富集分析表明单纯疱疹病毒1 (HSV-1)感染的map05167通路可能是FM患者改变的生物学通路。
图1. DEGs的GO和KEGG功能富集分析
2. 诊断标志物的筛选与验证
使用随机森林算法从DEGs中鉴定出4个基因作为FM的诊断标记，并绘制ROC曲线。然后用LASSO回归算法筛选出19个DEGs。将两种算法得到的标记基因进行重叠，得到4个诊断特征基因。进行ROC分析，预测生物标志物的诊断效果，发现AKAP12和RNF11 具有较高的诊断价值。
图2. 筛选诊断基因并验证诊断效能
3. FM中的免疫细胞浸润及其与诊断标志物的关系
评估FM患者血液中22组免疫细胞的相关性，然后用Wilcoxon检验评估FM患者与对照组外周血免疫细胞浸润的显著差异。与对照组相比，FM患者的CD8+T细胞显著减少。
图3. 免疫细胞浸润
进一步分析四种有效生物标志物与CD8+T细胞之间的相关性。
图4. FM中诊断标志物与差异免疫细胞的相关性
总结
看完是不是发现，非肿瘤数据少也有少的好处，这篇文章选择的疾病只用了一个GEO数据进行分析，而且分析内容既简单又常规，连验证实验都没有就轻松发文。不知关注非肿瘤的小伙伴们，有没有让你有一点点心动呢？
没有思路不要紧，小云会帮你找到创新的思路哦！如果你对热门/潜在热门方向感兴趣，或者想定制创新性思路欢迎直接call番茄君哦，下一篇生信文章在向你招手！
