肿瘤相关生信现在竞争这么激烈，该怎么拿高分呢？2023年即将结束，现在回头看看，有没有发现9分以上的生信文章已经被“孟德尔随机化”、“临床数据库分析”、“影像组学”等新兴方向占领了大部分地盘，那要做常规生信又该从哪里突破呢？
这你可问对人了，小云所在团队做了这么多肿瘤相关生信思路设计和定制分析，很多做想继续在常规生信领域深耕的朋友都会有这个疑虑，小云还是推荐小伙伴们跟着国自然热点走，但可以适当绕过一些大家都挤破头、竞争比较大的方向（比如肿瘤免疫版块等），建议看看一些中等热度的国自然热点（比如干细胞方向）。下面就用一篇昆明理工大学唐文如教授团队新发的9分+的“干细胞”方向纯生信文章实例展示一下：
1）选题方向定位好：避开了竞争较大的肿瘤免疫版块，瞄准“干细胞”，此方向既是国自然热点方向，有热度有关注度，又与临床关联密切，但发文竞争相对小，更容易出圈发高分；
2）分析方法要创新：应用分子对接技术进行靶向药物筛选，同时进行单细胞数据分析，分子对接药物筛选在肿瘤生信分析中出现较少，新颖度加倍，在常规套路这中，分析方法的创新可以大大提高文章水平，绝对的上分神器；
整体来看，作者首先选择以“干细胞”分析方向冲击生信高地，搭载“药物筛选”和“单细胞分析”两大助推器，准确的选题+丰富的配置，简单的分析也能成功出圈拿下9分+纯生信，要复现的快来啦~另外，复现或设计思路、定制生信分析也可以扫码联系小云哦，我们可以提供最优的发文方案~
- 题目：三阴性乳腺癌干细胞特征和靶向治疗药物识别
- 杂志：Scientific Data
- 影响因子：IF=9.8
- 发表时间：2023年11月
研究背景
三阴性乳腺癌(TNBC)是乳腺癌中最具侵袭性的亚型，预后最差，其特征是缺乏孕酮、雌激素和HER2基因表达。癌症干细胞在乳腺癌的生长、转移和耐药性中起着关键作用，已有研究揭示了不同癌症中的mRNAsi相关特征，关于三阴性乳腺癌干性指数的研究却很少。本研究旨在分析癌症干细胞相关基因特征，以确定三阴性乳腺癌患者的风险分层和预后特征。
数据来源
| 数据集/队列 | 数据库 | 数据类型 | 样本信息 |
|---|---|---|---|
| TCGA-BRCA | TCGA | RNA-seq数据+临床信息 | 1217个样本，包括127个TNBC样本 |
| METABRIC (Breast Cancer) | METABRIC | RNA-seq数据+临床数据 | 2509个样本，包括320个TNBC样本 |
| GSE176078 | GEO | scRNA-seq数据+临床数据 | 10个TNBC样本 |
研究流程
作者首先基于TCGA-BRCA队列中的127个TNBC样本使用一类逻辑回归(OCLR)机器学习算法计算TNBC患者的干细胞指数（mRNAsi），利用ESTIMATE算法计算免疫评分并分析了免疫浸润和mRNAsi之间的关系。然后，筛选高和低mRNAsi组间的DEGs，并进行功能富集分析。随后基于这些DEGs进行一致性聚类将TNBC患者分为两个干性亚型，同时通过Cox和LASSO回归分析建立了一个基于16个基因的预后模型，并在外部验证队列中验证其预测性能。基于单细胞数据集探索了肿瘤免疫微环境，并分析了16种基因在不同细胞类型中的表达。使用HPA数据库进一步验证了预后基因的表达水平。最后，对16个基因进行了分子对接研究，以筛选抗干性化合物。
图1 分析流程图
主要结果
1. mRNAsi与肿瘤微环境的相关性、差异性和功能富集性分析
作者首先使用OCLR和ESTIMATE算法计算了127例三阴性乳腺癌患者的干细胞指数和免疫评分，并对患者进行排序以研究mRNAsi和临床特征之间的关系（图2A, B）。为了探索mRNAsi与免疫浸润的相关性，作者分别利用ssGSEA方法、ESTIMATE和CIBERSORT算法分析了免疫浸润，结果显示，低mRNAsi组的免疫活性高于高mRNAsi组（图3a），mRNAsi与免疫评分、间质评分和ESTIMATE评分显著负相关（图3b-d），mRNAsi与滤泡辅助T细胞、CD4记忆激活T细胞和M1巨噬细胞显著正相关（图3e）。由于按mRNAsi中值分组的样本之间没有显著差异，作者又基于“survminer”分析的结果将127名TNBC患者重新分类为高或低mRNAsi组，并从两组间筛选得到2228个DEGs（图3g），针对DEGs还进行了功能富集分析（图3i）。最后利用KM曲线评估两组间的预后差异，显示mRNAsi评分高的患者总体生存状况较差（图3j）。
图2 mRNAsi和免疫评分的计算
图3 mRNAsi与肿瘤微环境的相关性、差异性和功能富集性分析
2. TNBC干性亚型的鉴定
作者根据2228个DEGs表达水平进行了一致性聚类分析，将127名三阴性乳腺癌患者分为两个干性亚型，包括I型(67例，53.7%)和II型(60例，47.2%)（图4a）。利用ESTIMATE和CIBERSORT算法来阐明两种不同干细胞亚型的不同免疫浸润，结果显示，亚型I的间质评分、免疫评分和评估评分均低于亚型II（图4c-e），免疫浸润包括B细胞、CD4+细胞亚群、单核细胞和肥大细胞在干性亚型II中明显更丰富（图4i）。以上结果表明，亚型I比亚型II更具免疫原性，亚型I的患者可能对免疫疗法表现出更好的反应。
图4 TNBC干性亚型的鉴定
3. 干性相关预后模型的建立和评估
作者首先使用METABERIC和TCGA-BRCA合并数据集，提取447个三阴性乳腺癌样本，分成训练和测试集。基于2228 DEGs进行Cox回归和Lasso回归分析，获得16个预后基因，以构建预后风险模型（图5a）。随后计算了每个患者的风险评分，并将他们分为低风险组或高风险组，进行KM生存分析和预后性能评估，显示在训练和测试队列中低风险组的预后均明显好于高风险组（图5b，d），ROC曲线显示模型可以准确地预测TNBC患者的预后（图5c，e）。
图5 预后模型的建立和评估
4. 预后基因的小分子化合物分子对接分析
作者通过CTD数据库、PubChem数据库和Uniport数据库筛选与16个预后基因相关的靶向药物，然后使用Autodock进行分子对接，以研究与预后基因相互作用的小分子化合物，最后筛选出了10个有利于改善由16个基因引起的预后不良的小分子化合物，为三阴性乳腺癌的靶向治疗提供了新的研究思路（图6）。
图6 靶向药物筛选
基于单细胞数据集GSE176078，总共注释得到21种不同类型的细胞群（图7a）。观察了21种不同免疫细胞中16种基因的表达差异（图7c），显示BMP4在上皮细胞和成纤维细胞中高表达，CCBE1在间质细胞中高表达。
图7 预后基因的单细胞分析
文章小结
这篇文章思路很清晰分析很简单，依靠“干细胞”国自然热点选题，辅以药物筛选、单细胞分析的创新分析方法，成功拿下9分+纯生信！思路超级容易复现，性价比还高，常规生信想发高分的可以学起来了，换个癌种或者再换个小众方向就能复现，高分文章在向你招手啦！另外，想要复现/设计思路或定制生信分析的朋友欢迎扫码联系小云，风里雨里一直在等你~
