最近看到了很多借助 單細(xì)胞水平的不同細(xì)胞亞群的差異來解釋以前的傳統(tǒng)轉(zhuǎn)錄組混合各種細(xì)胞亞群的樣品差異的文章， 如下所示：

研究者首先做了一個(gè)bulk轉(zhuǎn)錄組，走了標(biāo)準(zhǔn)的差異分析，拿到了上下調(diào)基因以及注釋它們的功能。然后把這些基因在自己的單細(xì)胞轉(zhuǎn)錄組各個(gè)亞群具體看其是否有表達(dá)差異，發(fā)現(xiàn)異質(zhì)性很大，以前拿到的混合狀態(tài)的差異其實(shí)是細(xì)胞亞群的比例差異而已。

圖來源于文章：NATURE COMMUNICATIONS | (2021)12:87 | https:///10.1038/s41467-020-20358-y

我就在思考，這完全是顛覆了以前數(shù)以萬計(jì)的芯片和轉(zhuǎn)錄組測(cè)序項(xiàng)目的結(jié)論??！而且這樣的數(shù)據(jù)挖掘思路，又可以成為一個(gè)風(fēng)靡中國(guó)醫(yī)生群體的生物信息學(xué)灌水策略了。

我特意看了看這樣的策略是否有人采用，其中語言 一個(gè)對(duì)GSE88715數(shù)據(jù)集的挖掘，文章標(biāo)題是；《Identification of Key Genes Potentially Related to Triple Receptor Negative Breast Cancer by Microarray Analysis》，鏈接是：https://www./content/10.1101/2020.12.21.423796v1.full 看起來就有點(diǎn)類似；

數(shù)據(jù)集鏈接是：https://www.ncbi.nlm./geo/query/acc.cgi?acc=GSE88715

這個(gè)數(shù)據(jù)本身使用的是 Agilent-028004 SurePrint G3 Human GE 8x60K Microarray (Probe Name Version) 芯片，發(fā)表的文章是  Spatially distinct tumor immune microenvironments stratify triple-negative breast cancers. J Clin Invest 2019 Apr 1;129(4):1785-1800. PMID: 30753167

并不是單細(xì)胞轉(zhuǎn)錄組，但是呢，它里面的樣品也不是傳統(tǒng)bulk轉(zhuǎn)錄組的樣品，而是具體到了Epithelium 和 Stroma 這樣的單細(xì)胞亞群。

圖1：表達(dá)芯片的質(zhì)量控制

一個(gè)很簡(jiǎn)單的箱線圖，有意思的是它這個(gè)明明是有問題的圖表！

居然也好意思放出來，怪不得一直在預(yù)印本沒辦法發(fā)表呢， 兩個(gè)分組的表達(dá)量分布范圍天然就有差異，后面的差異分析其實(shí)就根本站不住腳！

圖2,3,4 差異分析火山圖和熱圖

雖然作者對(duì)表達(dá)量芯片矩陣的預(yù)處理并不到位，是值得批判的，但并不影響作者自顧自的走流程，這也是絕大部分生物信息學(xué)入門選手的弱點(diǎn)：

差異分析相信大家都不陌生了，基本上看我六年前的表達(dá)芯片的公共數(shù)據(jù)庫(kù)挖掘系列推文即可；

• 解讀GEO數(shù)據(jù)存放規(guī)律及下載，一文就夠
• 解讀SRA數(shù)據(jù)庫(kù)規(guī)律一文就夠
• 從GEO數(shù)據(jù)庫(kù)下載得到表達(dá)矩陣 一文就夠
• GSEA分析一文就夠（單機(jī)版+R語言版）
• 根據(jù)分組信息做差異分析- 這個(gè)一文不夠的
• 差異分析得到的結(jié)果注釋一文就夠

圖5,6,7,8 挑選到的上下調(diào)基因各自的PPI網(wǎng)絡(luò)圖

之所以說它這個(gè)文章完全是在湊圖，就是因?yàn)槊髅饕粋€(gè)圖就可以說明的事情它都可以擴(kuò)充到4個(gè)圖：

有了基因列表，做PPI網(wǎng)絡(luò)圖無非就是輸入string數(shù)據(jù)庫(kù)，然后簡(jiǎn)單的丟入cytoscape軟件即可。

圖9,10 上下調(diào)PPI網(wǎng)絡(luò)圖的子網(wǎng)絡(luò)

有了網(wǎng)絡(luò)圖，找網(wǎng)絡(luò)圖的子網(wǎng)絡(luò)的cytoscape軟件插件也有十多個(gè)，我們的b站課程：

圖11,12,13, 14  上下調(diào)基因與各自的MiRNA關(guān)系圖和轉(zhuǎn)錄因子關(guān)系圖

又是湊圖，如下所示，一堆花花綠綠的點(diǎn)，除了唬人，就基本上沒有其它作用了！

圖15,16 上下調(diào)核心基因的生存分析

我在生信技能樹多次分享過生存分析的細(xì)節(jié)；

• 人人都可以學(xué)會(huì)生存分析（學(xué)徒數(shù)據(jù)挖掘）
• 學(xué)徒數(shù)據(jù)挖掘之誰說生存分析一定要按照表達(dá)量中位值或者平均值分組呢？
• 基因表達(dá)量高低分組的cox和連續(xù)變量cox回歸計(jì)算的HR值差異太大?
• 學(xué)徒作業(yè)-兩個(gè)基因突變聯(lián)合看生存效應(yīng)
• TCGA數(shù)據(jù)庫(kù)里面你的基因生存分析不顯著那就TMA吧
• 對(duì)“不同數(shù)據(jù)來源的生存分析比較”的補(bǔ)充說明
• 批量cox生存分析結(jié)果也可以火山圖可視化
• 既然可以看感興趣基因的生存情況，當(dāng)然就可以批量做完全部基因的生存分析
• 多測(cè)試幾個(gè)數(shù)據(jù)集生存效應(yīng)應(yīng)該是可以找到統(tǒng)計(jì)學(xué)顯著的！
• 我不相信kmplot這個(gè)網(wǎng)頁工具的結(jié)果(生存分析免費(fèi)做)
• 為什么不用TCGA數(shù)據(jù)庫(kù)來看感興趣基因的生存情況
• 200塊的代碼我的學(xué)徒免費(fèi)送給你，GSVA和生存分析
• 集思廣益-生存分析可以隨心所欲根據(jù)表達(dá)量分組嗎
• 生存分析時(shí)間點(diǎn)問題
• 尋找生存分析的最佳基因表達(dá)分組閾值
• apply家族函數(shù)和for循環(huán)還是有區(qū)別的（批量生存分析出圖bug）
• TCGA數(shù)據(jù)庫(kù)生存分析的網(wǎng)頁工具哪家強(qiáng)
• KM生存曲線經(jīng)logRNA檢驗(yàn)后也可以計(jì)算HR值

生存分析是目前腫瘤等疾病研究領(lǐng)域的點(diǎn)睛之筆！

圖17,18 上下調(diào)核心基因的腫瘤和對(duì)照表達(dá)差異

表達(dá)差異無非就是箱線圖啦，而且絕大部分都是網(wǎng)頁工具代勞！

圖19,20 上下調(diào)核心基因的腫乳腺癌亞型表達(dá)差異

仍然是丑爆了的圖：

微弱的趨勢(shì)，而且作者也沒有給出統(tǒng)計(jì)量！

圖21 看核心基因的突變?nèi)皥D CbioPortal  網(wǎng)頁工具

CbioPortal  網(wǎng)頁工具可以看到多組學(xué)信息，不過這個(gè)研究?jī)H僅是看了看突變情況：

圖22 看核心基因的蛋白表達(dá)情況 human protein atlas (HPA)網(wǎng)頁工具

同樣的，使用在線的 human protein atlas (HPA)網(wǎng)頁工具即可

圖23 看核心基因的TNBC亞型生存情況

生存分析已經(jīng)無需過多介紹了，感興趣可以具體看 我們的b站免費(fèi)視頻課程《臨床生存分析》

圖24 看核心基因的quantitative PCR實(shí)驗(yàn)驗(yàn)證

終于有一點(diǎn)點(diǎn)實(shí)驗(yàn)驗(yàn)證了，不容易??！

圖25 看核心基因與免疫浸潤(rùn)關(guān)系

仍然是網(wǎng)頁工具，略