不用编程进行数据挖掘一样可以发个5分+的文章

cellular physiology and biochemistry，这个期刊最新IF达到5.5，这是目前看到的最高分oncomine数据挖掘文章，可见发高分文章不一定要用复杂的代码，不一定要高级的统计方法，或者实验验证。在发现这篇文章之前，发现一大堆文章用了很多复杂的代码，用了高级的方法，例如WGCNA，lasso回归，cox回归，还实验验证了，一样是只发在1-2分的期刊，发文的高度是由选题决定的，选题好就算用很low的方法照样可以发高分文章，选题差用再厉害的方法也难以发高分文章。

论文题目

Mining Prognostic Significance of MEG3 in Human Breast Cancer Using Bioinformatics Analysis

摘要

背景/目的：

母系表达的基因3（MEG3）是具有母体表达的印迹基因，其可通过抑制血管生成而起到肿瘤抑制剂的作用。为了确定MEG3在乳腺癌中的预后价值，在该研究中进行了系统分析。

方法：

为了评估乳腺癌发生过程中的基因改变，我们使用基因表达Genie套件的串联分析和Oncomine分析来探索MEG3表达。使用PrognoScan数据库研究了MEG3在乳腺癌中的预后作用。使用UCSC Genome Browser测定MEG3的热图和甲基化状态。

结果：

我们发现MEG3在乳腺癌中比在正常组织中更频繁地下调，这与预后相关。然而，发现雌激素受体和孕酮受体状态与MEG3表达正相关。相反，基底样状态，三阴性乳腺癌状态和Scarff Bloom＆Richardson等级标准与MEG3表达呈负相关。在多个大数据数据库中进行数据挖掘后，我们证实了乳腺癌组织中MEG3和硫酸乙酰肝素蛋白多糖2（HSPG2）表达之间的正相关性。

结论：

MEG3可作为预测乳腺癌HSPG2预后的标志物。但是，需要进行大规模和全面的研究来证明我们的结果。

文章思路

1、分析LncRNA MEG3转录本表达和人乳腺癌的甲基化状态

2、分析MEG3的遗传变异与乳腺癌的临床病理参数的关联性

3、共表达分析

上面的分析都是普通的分析，图也一般的图，照样发高分SCI，高分秘籍在于创新，在于抢发。第一个人发现新的简单的东西，即使在1分的期刊也能拿诺贝尔奖，第二、第三...发现比第一个人发现东西更有深度，更有价值，即使发CNS将发朋友圈一样也拿不到诺贝尔奖。