把基因数量搞小的数据挖掘想法是好的但可能不现实
我一直强调：数据挖掘的核心是缩小目标基因！
各种数据挖掘文章本质上都是要把目标基因集缩小，比如表达量矩阵通常是2万多个蛋白编码基因，不管是表达芯片还是RNA-seq测序的，采用何种程度的差异分析，最后都还有成百上千个目标基因。如果是临床队列，通常是会跟生存分析进行交集，或者多个数据集差异结果的交集，比如：多个数据集整合神器-RobustRankAggreg包 ，这样的基因集就是100个以内的数量了，但是仍然有缩小的空间，比如lasso等统计学算法，最后搞成10个左右的基因组成signature即可顺利发表。
其实还有另外一个策略方向，有点类似于人工选择啦，通常是可以往热点靠，比如肿瘤免疫，相当于你不需要全部的两万多个基因的表达量矩阵进行后续分析，仅仅是拿着几千个免疫相关基因的表达矩阵即可。最近比较热门的有：自噬基因，铁死亡，EMT基因，核受体基因家族，代谢基因。还有一个最搞笑的是m6a基因的策略，完全是无厘头的基因集搞小，纯粹是为了搞小而搞小。
虽然说数据挖掘的核心就是把基因集的数量搞小，但是实际上大家都只是在自己的数据集上面自圆其说而已。最近听一个演讲，就提到了在乳腺癌领域的已经发表的33个基因集，他们的overlap其实非常少，如下所示：
绝大部分的基因仅仅是单一的基因集里面出现，不具备可重复性。出现两次及以上的也仅仅是10%的基因，出现在8个以上的基因集里面的基因就只剩下1个了，就是MKI67代表细胞增殖功能的，更别说是出现在33个基因集里面的。
但是，如果考虑这些基因所 代表的GO数据库功能条目，重复性就好了一点，至少出现2次的基因提高到了20%。
然后研究者单独拿出来了乳腺癌领域久经考验的70个基因 的基因集，发现如果是随机选择70个基因，随机1万次，也有接近30%的可能性拿到比这个久经考验的70个基因 的基因集表现要好的情况。
为什么会出现这样的情况呢？
其实如果你拿到任何一个带有临床生存信息表达矩阵，都可以拿到很多有统计学意义的生存相关基因，这些基因都可以找到共表达基因，它们本来就相互连接起来了。
学徒作业
就拿TCGA数据库的乳腺癌的RNA-seq矩阵，从ucsc的xena浏览器下载，1000个左右的肿瘤病人数据里面的全部的基因做wgcna后看看分成多少个模块。
然后看看统计学显著的2000多个生存相关基因再次wgcna分成多少个模块。
然后看看两个模块根据各自的数据库功能能不能对应起来。
历年学徒作业目录如下：
生信编程直播课程优秀学员作业展示1 生信编程直播课程优秀学员学习心得及作业展示3 生信编程直播课程优秀学员作业展示2 给学徒的GEO作业 这个WGCNA作业终于有学徒完成了！ 上次说的gmt函数(学徒作业) 拖后腿学徒居然也完成作业，理解RNA-seq数据分析结果 肿瘤外显子视频课程小作业 ChIPseq视频课程小作业 Agilent芯片表达矩阵处理(学徒作业) 学徒作业：TCGA数据库单基因gsea之COAD-READ 学徒作业-在CCLE数据库里面根据指定基因在指定细胞系里面提取表达矩阵 学徒作业-指定基因在指定组织里面的表达量热图 学徒作业-我想看为什么这几个基因的表达量相关性非常高 学徒作业：给你8个甲基化探针， 你在tcga数据库进行任意探索 学徒作业-根据我的甲基化视频教程来完成2015-NPC-methy-GSE52068研究 RNA芯片和测序技术的比较（学徒作业） 学徒作业-单基因的tcga数据挖掘分析 ATCC终于出来了organoids资源 拿到7个DDR通路的基因集-学徒作业 绘图本身很简单但是获取数据很难 都说lncRNA只有部分具有polyA尾结构，请证明 学徒作业-hisat2+stringtie+ballgown流程 学徒任务-探索DNA甲基化的组织特异性 用WES和RNA-Seq数据提取到的somatic SNVs不一致 《GEO数据挖掘课程》配套练习题
文末友情推荐
。如果大家没有时间自行慢慢摸索着学习，可以考虑我们生信技能树官方举办的学习班。