sxr 生信人
简单梳理下常见的医学生物信息常见的技术路线。
一、单基因（IF：1-5）推荐指数：☆
单基因研究路线主要是针对自己手中有现成的基因，需要基于这个基因进行思路设计和文章展开的，建议使用这个思路。主要包括单癌型单基因，和单基因泛癌研究两种。一般技术路线为：首先利用公开数据库数据进行基因的表达差异研究，预后差异研究，表观、突变或者其他方面的综合分析，最后在本癌型或者泛癌型中进行预后的整体评估。
关注这个方向的可以阅读CDK5 Functions as a Tumor Promoter in Human Lung Cancer这篇文献，非常容易学习，是国自然申请标书书写最具有性价比的技术路线。
二、核心基因（IF：1-3）推荐指数：☆☆☆
核心基因这个思路，对于长期关注生信人的粉丝来说，肯定不陌生。对于这个思路由于其比较标准和规范，我们已经开发成了在线工具easyGEO（https://easygeo.cn），集数据预处理及标准化、差异表达分析及火山图可视化、蛋白质互作网络构建及可视化、Hub基因识别及子网络挖掘、生存分析（Kaplan-Meier⽣存曲线图）等分析模块于一体。用户可以在超过25000套GEO数据集中进行自由探索，用别人的数据、别人的代码、别人的服务器，建自己的idea、发自己的paper。
三、降维预后（IF：3-5）推荐指数：☆☆☆☆☆
如果说单基因研究路线需要根据自己手头的课题来选择，那么降维预后这个技术路线就属于不挑方向的了，大家看到的生信类文章绝大多数都是这种。这个技术路线的好处在于有一个新的分组，有新的热点，感兴趣的基因就可以试着从头挖掘一遍，而且永远不过时。一般技术路线为：差异分析，富集分析，降维（lasso为主），然后进行模型构建，模型验证（现在对于模型验证的要求更好了，欢迎大家与我们进行技术探讨），模型的各个方面上的评估，包括临床指标，突变，预后，耐药和免疫治疗。
A Novel Ferroptosis-Associated Gene Signature to Predict Prognosis in Patients with Uveal Melanoma
四、分型预后（IF：3-7）推荐指数：☆☆☆☆☆
这个思路相对于降维预后来说提供了另外一种可能，就是可以人为的根据临床特征进行分组，可以作为降维预后效果不好的一种有力补充。当然其分析更为全面，结果阳性率和调试空间更大，近些年成为生信发文的宠儿。
其一般技术路线为：感兴趣的基因集或者差异基因进行聚类分组，评估预后效能，然后分组筛选差异，富集分析，降维，然后进行模型构建，模型验证，模型的各个方面上的评估，包括临床指标，突变，预后，耐药和免疫治疗。
m6A regulator-mediated methylation modification patterns and tumor microenvironment infiltration characterization in gastric cancer
五、ceRNA（IF：3-5）推荐指数：☆☆☆
ceRNA虽然生信人平台近一年来都很少推，但是其实仍然是国自然的热点，并且去年也有很多文章发表出来。这个思路本来要求样本同时进行了RNA、miRNA、LncRNA或者circRNA测序的。如果这样看那么就只有TCGA数据能满足这个要求，绝大多数GEO的数据满足不了。所以这样的文章一般要求要进行实验验证，来确保你获得的LncRNA或者circRNA是真实的。所以如果课题组有数据或者有样本，完全可以选择这个方向。
ceRNA的一般技术路线为：RNA、miRNA、LncRNA或者circRNA同时做差异分析，构建DEceRNA网络，找到感兴趣的LncRNA或者circRNA进行预后分析或者模型构建。
Construction and comprehensive analysis of a ceRNA network to reveal potential prognostic biomarkers for lung adenocarcinoma
六、WGCNA（IF：1-7）推荐指数：☆☆☆
WGCNA其实只是一个技术，为什么会单独拎出来做一个介绍呢，因为它太重要。简单说他可以建立一种联系，比如临床特征和基因，比如说细胞和甲基化。这种联系太重要了。我们可以很简单的实现两个作用一个是分组，通过关联感兴趣的指标；一个是降维，通过筛选相关性高的模块。所以大家可以看到WGCNA的文章层出不穷，文章各个层面上都有。这个技术一定要掌握，它可以帮助你在穷途末路，看下相关性，万一柳暗花明呢。
Ten hub genes associated with progression and prognosis of pancreatic carcinoma identified by co-expression analysis.
七、机器学习（IF：1-7）推荐指数：☆☆☆☆
关于机器学习的，可以这么说，基本上出来一个好的机器学习方法，都能发表一篇不错的文章，无论是诊断模型还是预后模型。分高低只取决于其采用的验证队列的多少，模型的普适性。
所以一般对于没有什么研究的点的疾病和肿瘤强烈推荐这个方向，因为它就依赖于模型的准确性，只关注硬功夫，对于科研问题关注的较少，写作较为容易。一般技术路线也比较简单就是对数据进行区分，分为训练集和验证集，然后构建模型，进行模型验证。
A 23 gene–based molecular prognostic score precisely predicts overallsurvival of breast cancer patients
八、表观调控（IF：3-5）推荐指数：☆☆☆☆
这个方向特指两种修饰，DNA甲基化和RNA转录后修饰（m6A、m5C），当然有蛋白数据的除外。由于受限于数据，RNA转录后修饰一般放在降维预后和分型预后进行分析，而对于甲基化数据，一般思路可以借鉴ceRNA。同样由于GEO中甲基化数据较少，可以探索的内容也较少。目前见过的一般技术路线有两种，第一种是利用甲基化数据和RNA表达数据联合进行筛选预后基因，另外一种是利用甲基化数据进行聚类分型筛选预后基因。
Molecular subtypes based on DNA methylation predict prognosis in colon adenocarcinoma patients
九、单细胞(IF:5-7)推荐指数：☆☆☆☆
目前单细胞数据的研究，主要是通过跟bulk RNAseq进行联合分析，利用单细胞数据主要进行或者辅助进行预后标志物的筛选。（当然不排除有大课题组就直接研究单细胞，不屑于用bulk RNA-seq）
从单细胞层面向常规转录组过渡，基本分为三种方式，第一种是利用CIBERSORTX等方法实现基因和细胞过渡；第二种利用数据集的特点（具有不同组织和人群的临床信息）直接过渡；第三种是利用构建样本的单克隆，区分细胞的不同时期，进行分期差异，进行过渡。
还有就是研究的恶性肿瘤细胞，核心在于利用将单细胞数据套用hub gene 思路，筛选出预后基因，然后与常规转录组结合，来构建预后模型。
Identification and Validation of a Malignant Cell Subset Marker-Based Polygenic Risk Score in Stomach Adenocarcinoma Through Integrated Analysis of Bulk and Single-Cell RNA Sequencing Data
十、免疫浸润（IF：5-7）推荐指数：☆☆☆☆
由于免疫治疗的火爆，决定了免疫浸润会持续很长的时间成为国自然的宠儿。
而通过转录组进行免疫浸润的评估，进行分组评估免疫治疗，也成了生信分析必不可少的一个环节。一般来说有三种研究方向，第一种研究整体，通过免疫评分，TMEscore等各种评分直接分成高低分组，进行各种指标的关联和研究；第二种是关注免疫相关的signature，这种是聚焦于免疫相关的基因上，通过分组筛选对应的基因，然后做新旧signature和模型的对比；第三种是聚焦在单个免疫细胞上，比如T细胞、CAF等，目的也很明确利用单个免疫细胞作为起手式，把相关的问题全部处理掉，看有没有新的方向和感兴趣的点的出现。Three subtypes of lung cancer fibroblasts define distinct therapeutic paradigms
十一、多组学联合（IF：5+）推荐指数：☆☆☆☆☆
多组学联合分析，其实也是生信人多次推荐过的思路。这里要区分你是否有独立的cohort。目前各个组学比较完备的就只有TCGA，如果你自己有独立的数据队列，也有各种组学，这个思路一定要做。而且可做的内容不仅仅是简单的对比，什么最新的新抗原、AS抗原都可以看一波。如果没有独立的数据集，也不用灰心，生信人也有常规的多组学联合分析思路，最常见的就是利用多组学数据进行分型，研究分型预后，如果这个分型预后能被验证出来，那这个文章最少5分起步。如果有自测数据，那更妥妥的加分项。同时这个思路对于新出现的各种新的测序技术，新的组学数据，超级优化，使用起来几乎没成本。
HCC subtypes based on the activity changes of immunologic and hallmark gene sets in tumor and nontumor tissues