生信数据挖掘的9分SCI也是灌水？

Posted 2021-04-27 生信人

很多小伙伴们，看多了那些完全不动脑的灌水文章，还以为生信数据挖掘只能发一些lowbee的文章，然鹅，白介素2同学的答案是：非也，证据是以下分享的这篇文献，题为：Prognostic microRNA/mRNA signature from the integrated analysis of patients with invasive breast cancer（灌水气息浓重的标题）。 发表在大名鼎鼎的PNAS杂志，生物医学界的小伙伴们应该没有不知道的吧。看下影响因子变化就清楚了，稳定得害怕。

 

以下分享这样一篇基于TCGA及其它多数据集的数据挖掘做了哪些工作，话不多说了，先上摘要。

 

大概的内容就是用了TCGA数据库的一个包含466个病人的子集找到了mRNA/miRNA的预后标志模型，预测效果不错。在早期肿瘤表现更佳，而且更重要的是作者成功的在另外8个数据集中验证了这个模型。最最重要的是，作者还与现有模型进行比较，发现比现有的商业模型的表现都更好，就是这些工作了。

 

分析流程思路

 

分析流程，作者给出了一张流程图，思路非常清楚，首先是整合TCGA的miRNA/mRNA表达矩阵，筛选预后标志，在各个亚型子集进行进一步筛选表现稳定的。然后再通过8个独立的数据集进行验证。

这是筛选标准，作者这里是在至少两个独立子集才被认为是有预后意义的基因，这个标准完全是自己可控的。

接下来又是进一步限制基因集的数量，突变和甲基化的限制，其实目的还是一个降维，直白点就是基因不能太多。

 

一个预后相关基因的热图展示，接下来就是构建自己的风险模型了，作者用的是这样一种方式：叫做监督的主成分方法

 

 

接下来就是常规的基于基因表达标志的高低风险的生存曲线，ROC曲线。

 

以及在独立数据集的验证：

当然，由于版面限制等原因，作者并不会像灌水般的把一些无关紧要的结果放上去，仅仅是关键结果。还有很多其它的结果可在原文官网找到，如需要可自行仔细研究，以下附上网址

https://www.pnas.org/content/110/18/7413.long

这样的思路，完全可以有很多种，千变万化，还是那句话数据挖掘的方法只是工具，如何使用还是看自己。

内容分享完了，有没有发PNAS的冲动？赶紧去留言呀，没准小编大大们看群众反响热烈，专门录制课程嘞！

总结陈词

总结一下，本文的思路其实并不新奇，但工作扎实。看到这，有些小伙伴可能会觉得这个看起来工作也不多嘛，应该不难吧？ 这就好比曾经有人跟我说：“我知道你写文章，分析数据辛苦，那也没有我们做实验辛苦的呀，大部分的工作还是我们的，你们不能有通讯作者”。这时，白介素2同学只能呵呵一笑。

生信人曾经写过一句“套路虽易，分析不易，且行且珍惜”。今天白介素2同学要说的是：“说得虽易，分析不易，且说且珍惜”。一方面，要具备分析数据的能力本身就需要经过长期的积累，而不是有小伙伴想象中“他们只是点了几下鼠标，点点点”。另一方面分析的过程，虽然小编同学说起来指点江山，很快一篇讲完了，真正自己去实施的过程，其实会遇到很多问题，如何找到数据，不同数据如何整合，代码调试。举个栗子，这篇文献中自己构建的模型与其它模型的比较，需要获取其它模型的基因集，模型构建方法，而不同模型本身的构建又是有差异的，有些是基于芯片的，RT-PCR的，也有测序的，这样就会导致模型比较的困难。（只是一个小小的栗子）。

2019年，遇见更好的自己

更多套路咨询13120220117（微信同号）