你所研究的基因是否与肿瘤微环境相关

导读:解析肿瘤微环境的方法非常多种,包括CIBERSORT, TIMER, MCPcounter,xCell, ssGSEA, PCA等等,gene signature 也在不断的产生;但是你研究多年的基因是否与肿瘤微环境相关,除了机制实验来证明,还可以通过大量的数据库资料来证明与可视化。

1-解析肿瘤微环境:

有多种方法,具体原理可参考该推文:肿瘤微环境解析的N种方法

平台主要包括:①CIBERSORT; ②TIMER; ③MCPcounter; ④xCell等等 。

如果是自己有gene signature, 可以通过ssGSEA, PCA, 或者直接加和的方法进行计算,例如这篇文章,想获得自己的gene signature步骤比较繁琐,但方法也有很多, 想要做出创新性,可以联系我们提供服务。

2-你的目标基因是否与肿瘤微环境相关?

基础实验举步维艰大家都非常理解,你研究一个基因,在实验室熬了一年,只有几个WB和PCR能看,养个细胞天天被污染,想深入机制实验老板又迟迟不给你批经费,当你开始怀疑自己不再适合做科研的时候,不妨试试从数据库出发,做几个漂亮的图让老板开心一下,并坚定一下继续科研的勇气·····

比如:

3-下面简要阐述一下实现该流程的步骤

①找到你所研究的癌种的TCGA或者GEO-转录组数据并按照流程标准化数据;

②用你喜欢的方法解析肿瘤微环境,当然也可以全部一起;

③将你的基因分成高低两组:分组的方法有很多种,平均值,中位值,三分位;

④使用limma包进行差异细胞的批量分析,或者你可以直接批量使用wilcoxon或者t.test进行分析,最后记得进行P值的矫正;

这里提供一下核心代码:

aa<-lapply(bb[,feature], function(x) wilcox.test(x ~ bb[,"group"],var.equal = F))cc<-data.frame(p.value = sapply(aa, getElement, name = "p.value"),names=feature)cc<-cc[order(cc$p.value,decreasing = F),]cc$p.adj<-p.adjust(cc$p.value,method = "BH")

⑤绘图:使用热图,箱图,散点图或泡泡图进行结果展示;

⑥秀!

4-当然还可以补充目标基因的差异分析和富集分析

①将你的目标基因分成高低两组;

②使用正确包进行差异分析:limma还是DEseq2?

③获得的差异基因使用Y叔的clusterprofiler进行通路富集分析和GSEA分析;

④绘图;

生物信息学

相见恨晚的linux小技巧

2020-8-28 1:19:24

生物信息学

评估肿瘤纯度的方法(四):基于甲基化 LUMP和PAMAS

2020-8-28 4:05:06

加入Q群
0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索