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。