极具性价比!这个套路承包了80%以上生信SCI,心动了…

解螺旋公众号·陪伴你科研的第2604天

黑色素瘤

大家好,今天给大家带来一篇比较特殊的肿瘤复现文章,那本文特殊在哪里呢?

首先,这是一篇研究黑色素瘤的文章,相比与乳腺癌,肝癌,肺癌,黑色素瘤的研究人数相对较少,生信研究相关文章也发表相对较少,但是其样本量却不少,很值得我们关注一下。

注:虽然TCGA中正常样本只有1个,但是GTEx包含812个正常样本,纳入进来,样本量完全没问题。

第二点:本篇文章研究的靶基因的表达比较特殊,95%以上的生信文章,研究的目标分子一般都是在肿瘤中高表达,本篇文章缺反其道而行之,通过分析发现,目标基因CPEB3的表达在黑色素瘤中的表达却低于正常样本中的表达。

通过小编的了解,好多小伙伴在日常实验过程中会碰见这种情况,自己手里的目标分子居然在肿瘤中是低表达的,不禁失望,是不是就没有研究的必要了,是不是往下做也是没有意义的,这篇文章给了我们很多思路,值得我们参考~

文章标题

Decreased Expression of CPEB3 Predicts a Poor Prognosis in Patients with Melanoma: A Study Based on TCGA Data
复现内容

Figure 1: 黑色素瘤中CPEB3 mRNA的表达

Figure 2: CPEB3的表达降低显示黑色素瘤预后较差

Figure 3: 基因集富集分析(GSEA)的富集图

Figure 4: CPEB3基因表达及免疫浸润的关联分析

Table   1: CPEB3表达在黑色素瘤中的临床病理特征(基线资料表)

Table   2: 与临床病理特征相关的CPEB3表达的逻辑回归分析

Table   3: CPEB3表达的单变量和多变量COX分析

Table   4: GSEA富集分析富集到通路展示

复现工具
◆ 仙桃学术工具
(https://www.xiantao.love/products)

背景知识

我们复现前先来补充一些背景知识,如何判断是黑色素痣还是黑色素瘤呢?下图简单又直观的介绍如何分辨~

本图来源于网络

接下来我们开始正式复现:

Figure 1

黑色素瘤中CPEB3 mRNA的表达

接下来我们将使用仙桃工具进行复现,让我们一起来看一下仙桃工具的厉害之处吧!

进入仙桃生信工具(https://www.xiantao.love/products),选择高级版

ps:由于高级版功能最为全面,这里统一使用高级版作为示范

复现步骤:

1:选择【表达差异(挑)】

2:选择【非配对样本】

3:作者用的来自TCGA的黑色素瘤样本,包含468个肿瘤样本,1个正常样本,由于癌和癌旁样本量差距太大,所以我们仙桃工具可以选择【TCGA_GTEx_SKCM】数据,纳入了来自GTEx数据的812个正常样本。

4:作者这里Figure 1a展示的是箱式图和小提琴的组合图,所以我们在第四步中选择【组合图】

5:输入目标基因【CPEB3】

6:对点、箱/柱,小提琴进行个性化设置

7:点击确认

8:我们可以选择【保存结果】这样方便我们利用工具,将多个分析的图形在后台直接拼接起来,也可以选择下载PDF,我们在AI里进行拼接。

至此Figure 1a完成

注意:本文中只这展示箱式图和小提琴的组合图,所以在点图这个下拉菜单里选择【无】

我们在自己的文章中,选择合适的组合方式,比如文章中大部分展示的是【点图+箱式图】形式,大家按照自己的审美自行选择即可。仙桃工具特别贴心的地方在于提供了非常多个性化设置的地方,让大家利用工具作图的时候很难撞车,比如说【描边色】提供了非常多配色方案,填充色,【样式】还可以选择圆形,正方形,菱形,三角形等,【透明度】也可根据需要修改。

此外,仙桃工具还提供了对结果和方法学的详细描述,也包括统计学描述,对于统计的小白来说真是无敌大的福利!

接下来我们来复现Figure1 b-f,作者分别展示了在T stage, N stage, Stage,Melanoma Clark level, Melanoma ulceration中CPEB3的表达情况。

复现步骤:

1:选择【临床意义】这个模块

2:选择【临床相关性】

3:选择【TCGA-SKCM】

4:这一步就是得到Figure1 b-f图的关键了,作者这里Figure 1b展示了临床T stage的CPEB3的表达情况,作者可能是考虑到T1,T2样本比较少,所以作者将T1,T2合并起来进行分析,如步骤4 所示,分为3组进行比较。

5:继续选择【点图+箱式图】模式

6:输入目标基因【CPEB3】

7:箱式图这里透明度我们从1改成0.8,降低一点透明度

8:点击确认,即可得到Figure 1b

注意:一般来说,现在主流分析都会选择【TPM】,但是仙桃工具也提供了【FPKM】,大家根据自己的实际研究情况,按需选择。

同理,Figure1 c-f(分别是N stage,Clinical stage,Melanoma Clark level,Melanoma ulceration),我们只需在步骤4那里修改即可。

甚至我们还可以加很多图,比如说放疗(Radiation therapy,Gender, Race,Age, Weight,Height, BMI等等图)主图放不下,我们可以放附图哇,审稿人一看我们做的如此细致,工作量这么大,也不好意思挑太多刺你说是不是~

这样Figure 1 复现完毕

Table 1

CPEB3表达与黑色素瘤临床病理特征的相关性

Table 1展示了基线资料表,现在我将用仙桃工具带大家10s出基线资料表,直接放在文章中,真真是仙桃工具在手,文章我有!

复现步骤:

1:选择【临床意义】模块

2:选择【基线资料表】

3:如以上所示,我们依然选择【TCGA-SKCM】的TPM数据

4:输入基因【CPEB3】

5:选择【列联表】

6:纳入我们想要纳入的因素,文章当中选择了OS event, TNM stage, Clinical stage, Melanoma Clark level, Tumor status, Gender,Age, Height, Weight,BMI等,我们在仙桃工具中,这些全部都能找到,将文章中提到的影响因素都在仙桃工具中逐一勾选。

7:点击确认,结果就会出现一张列联表,可直接放在文章当中,是不是超级棒!

Table 2

与临床病理特征相关的CPEB3表达的逻辑回归分析

接下来作者展示了Table 2:与临床病理特征相关的CPEB3表达的逻辑回归分析

复现步骤:

1:选择【临床意义(靠)】模块

2:选择Logistics回归(单基因Logistics回归)

3:选择【TCGA-SKCM】肿瘤

4:这里可以纳入非常多因素,我们复现本文中的数据,纳入了T、N、M stage,Clinical stage, Melanoma Clark level, Tumor status,Tumor tissue site,Melanoma ulceration

5:输入我们的目标基因【CPEB3】

6:点击确认。即可获得需要的数据表

我们将分析好的数据下载下来,发现结果和原文几乎一模一样,有些许出入也是非常正常的。

Table 3

CPEB3表达的单变量和多变量COX分析

复现步骤:

1:选择【预后分析】

2:选择【单因素/多因素】分析

3:选择【TCGA-SKCM】的TPM数据

4:这里我们根据自己课题需要,纳入不同因素,我们根据作者在文章当中所选进行复现,包含TNM stage,Clinical stage,Melanoma Clark level, Tumor status(tumor free VS with tumor), Tumor tissue site(extremities VS trunk),Melanoma ulceration(no VS yes),这些名词大家不要觉得没见过,就很害怕,大家不熟悉是因为主要的研究方向不是黑色素瘤,这些其实在黑色素瘤研究中很常见的。

5:点击确认

点击【确认】之后,我们下载一下逻辑回归分析的结果展示给大家看一下。如下图所示,这种形式完完全全可以直接放在文章当中。

最最重要的是,有些小伙伴虽然可以出图,但是对于图形的描述可能有些困难,我们的仙桃也替大家想到了这个问题,让我们把页面往下拉,可以看到关于结果的说明,非常非常的详细,打开可以参考说明写进文章当中,审稿人一看我们不仅可以出图,还可以将统计说明的如此清晰,定会对我们文章刮目相看。

至此,我们已经完成了Figure 1和三个Table的复现,这些结果都证明了CPEB3的表达影响黑色素瘤的发生和进展。

Figure 2

CPEB3的表达降低显示黑色素瘤预后较差

复现步骤:

1:选择【预后分析】模块

2:选择【KM曲线图】

3:如以上所示,我们依然选择【TCGA-SKCM】的TPM数据

4:输入目标基因【CPEB3】

5:Figure 2a展示的是OS(Overall Survival),我们先复现OS,同样的步骤在这里继续选择DSS,PFI

6:点击【确认】,同样的步骤会分别得出OS,DSS,PFI,我们将3张图下载拼接,即可得到Figure 2

Figure 3

基因集富集分析(GSEA)的富集图

复现步骤:

1:我们都知道,在进行GSEA分析前,先要进行差异分析。选择【表达差异】模块

2:找到【单基因差异分析】

3:在数据中选择肿瘤类型“TCGA-SKCM”

4:在右边输入目的分子【CPEB3】

5:点击确认,即可完成 CPEB3单基因差异分析,这一步的分析需要几分钟时间,耐心等待之后,我们在【历史记录】里可以找到分析后的结果,下载EXCEL数据。

分析后的结果打开之后是这样的,我们需要调整修改一下,将数据整理成第一例是基因名,第二列是logFC的格式

修改后为:

6:我们选择【功能聚类】模块

7:选择【GSEA富集】--【GSEA分析】

8:将我们上一步整理好的数据(基因差异分析)上传到仙桃工具中

9:选择文章中提到的数据集,选择Homo sapiens物种,高级分析参数选择默认

10:点击确认,在历史记录里可以找到我们的GSEA分析结果,接下来我们进行可视化

11:点击【GSEA可视化】

12:云端数据存储着我们之前分析好的GSEA结果

13:点击【确认】

14:下载PDF,通过将富集到的通路拼接起来即可得到Figure 3

Table4就是将GSEA富集到的通路图,以表格的形式展示出来,非常简单,大家自行用EXCEL 复制粘贴即可得到Table 4

Figure 4

CPEB3基因表达及免疫浸润的关联分析

我们的仙桃工具怎么可能没有提供现在火爆半边天的免疫浸润相关的分析呢?那当然是有啦,让我们一起来看一下如何将单基因分析与免疫分析联系起来吧!

复现步骤:

1:选择【交互网络(联)】

2:选择【免疫浸润】

3:选择【棒棒糖图】

4:这时小仙桃已经默认帮我们选好【TCGA-SKCM】

5:输入目标基因【CPEB3】

6:点击确认,即可出来CPEB3的表达与黑色素瘤中免疫浸润水平之间的关系。

这种算法是利用ssGSEA处理TCGA数据,CPEB3与免疫细胞的相关性越大,棒棒糖的球就越大,点击下载,即可得到与Figure4a一模一样的图。

接下来我们来复现Figure4 b-e

复现步骤:

1:选择【免疫浸润】模块

2:选择【散点图】

3:选择数据集【TCGA-SKCM】

4::算法默认是ssGSEA,这里细胞我们选择【B cells】

5:点击确认,即可出图

6:点击下载PDF图片。

我们可以看到p<0.001,和原文结果一模一样,其余的T cell,T helper cells, Tcm cells只需在第四步中修改一下细胞种类,即可出图,这里我们就不一一展示了,至此Figure 4就复现完成了。

本文在我看来影响因子虽不算太高,但是完完全全可以只利用仙桃工具就可以完成整篇文章的分析,其他任何工具都可以不用,太神奇了有木有!!强烈建议各位小伙伴自己动手试试哦!

—END—
撰文丨Rain
排版丨豨莶

端午节巨献!来自两位专栏作者的热门SCI期刊影响因子预测大pk!

做免疫组化不知道这10个经验?那你可能错过一篇能发CNS的高分SCI!

国人友好,2个月发表,即将直逼7分的SCI期刊

本周直播预告

领  悟  科  研  优  人  一  步

直播主题:做科研时发掘到的宝藏网站!
直播时间:6月24日晚18点-20点

本次直播将在哔哩哔哩和微信视频号同步播出,同时也会在双平台进行直播抽奖。大家可以去微信视频号进行直播预约,更多直播精彩内容不要错过奥。

戳按钮预约直播
(0)

相关推荐