13+SCI 基因集泛癌分析纯生信 可重复
该思路换做其他基因集均可重复以及增加内容，需要做该思路的分析可联系小编咨询。
发表杂志：J Pineal Res.
影响因子：13.001
研究背景
流程图
分析解读
褪黑素调节因子的基因组表达和亚型分析
①测定30个正常器官/组织中褪黑素调节因子的基因表达。
②泛癌中各肿瘤组织mRNA差异表达分析。
③生存分析：Cox比例风险模型计算每个基因的生存风险(HR)，随后对每个基因进行Kaplan-Meier生存的对数检验。
④为了鉴定影响癌症亚型的临床相关基因，进行表达亚型分析。
结果：
下图A：GTEx数据集中褪黑素能调节剂表达谱的热图。
下图B：正常组织与肿瘤组织的mRNA差异。
下图C：褪黑素能调节亚型在癌症中的表达。
下图D：褪黑素调节剂生存分析。
下图E-F：PER3(E)和ARNTL(F)与癌症预后有关。
单核苷酸变异(SNV)分析
①SNV数据(n=8,663)是从TCGA数据库收集的33种癌症的SNV数据。
②用突变样本数/肿瘤样本数计算各基因编码区SNV突变频率(百分比)。
结果：
下图A：褪黑素调节因子的突变频率。
下图B：显示褪黑素调节因子的突变分布。
拷贝数变异(CNV)分析
①从TCGA数据库中收集33种癌症类型的CNV的原始数据(n=11,495)并使用GISTICS2.0进行处理。
②在CNV模块分析中计算CNV百分比和CNV与mRNA的相关性。
③使用GISTIC处理的CNV数据生成基于CNV亚型的百分比统计，并使用原始CNV数据和mRNA RSEM数据计算相关性。
④将mRNA表达与CNV原始数据合并，探讨两者之间的相关性。
⑤成对的mRNA表达和成对的CNV百分比样本之间的关联基于人的乘积矩相关系数和t分布进行了测试。
结果：
下图A：CNV饼图显示了泛癌中每个基因的杂合/纯合CNV组合。
下图B：杂合性CNV图谱显示杂合性CNV的百分比，包括泛癌中每个基因杂合性CNV的扩增和缺失百分比。
下图C：CNV与mRNA表达的相关性。
甲基化分析
①在这项研究中，具有超过10个肿瘤-正常对的癌症将在肿瘤和正常之间进行进行Student's T检验以定义肿瘤和正常样本之间的甲基化差异。
②褪黑素调节因子的mRNA表达和甲基化数据进行合并。
③基于Pearson的乘积矩相关系数测试配对mRNA表达和甲基化之间的关联，然后进行t分布测试。
④结合甲基化数据和临床总生存期数据，根据中位甲基化水平将基因甲基化水平分为两组。用Cox回归分析两组基因甲基化的比例。
结果：
下图A：在每种癌症中，肿瘤和正常样本之间的褪黑素调节因子的甲基化程度不同。
下图B：甲基化与mRNA基因表达的相关性。蓝点代表负相关，红点代表正相关，颜色越深，相关性越高。
下图C：具有高甲基化和低甲基化的褪黑素调节因子的样本之间的存活率存在统计学差异。
下图D-E：肾上腺皮质癌CYP1A2甲基化(D)和肾透明细胞癌(KIRC)RORA甲基化（E）的预后分析。
microRNA(MiRNA)调控网络分析
①合并miRNA和基因表达。
②基于Pearson相关系数对mRNA和miRNA表达之间的关联。
③计算所有配对样本的相关性。
③负相关的miRNA-基因对将被视为潜在的负调控对。
结果：
下图：一个miRNA和一个调节子连接节点代表了miRNA对基因的调控。节点大小与节点度呈正相关，边宽由相关系数的绝对值决定。
褪黑激素调节因子之间的通路分析
①来自TCPA数据库的反相蛋白质阵列(RPPA)数据用于计算7876个样品的分数。
②基因表达按中位表达分为两组（高和低），组间通路活性评分(PAS)的差异使用Student's T检验定义，p值由FDR调整。
结果：
下图A：生物钟基因对通路活性影响的综合百分比。
下图B：线代表不同途径之间的连接，其中连接一条途径的实线代表激活，连接一条途径的虚线代表抑制，线的颜色代表了不同的癌症类型。
褪黑素调节因子的药物敏感性分析
①从GDSC下载药物的剂量-反应曲线(AUC)值下的面积和所有癌细胞系的基因表达谱。
②使用Fisher<80><99>s Z变换将转录水平和AUC的Pearson相关系数标准化。
③将注释的药物-靶标对的Pearson相关系数与通过随机抽样相关性生成的相同数量的相关对进行比较，对GDSC IC50药物数据进行基因集耐药性分析。
结果：
下图：Spearman相关系数用于显示基因表达是否与药物敏感性相关。正相关是基因高表达表示对药物耐药，负相关是基因高表达表示对药物敏感。
小结：