Meta-analysis肺癌中的miRNA的表达

看题目是不是以为作者要自己下载数据进行分析了？事实上，这篇文章的作者并没有自己去找相关数据集后用meta-analysis的方法分析肺癌。而是收集了20篇已经发表的与肺癌相关的miRNA的文章，然后对这20篇文章的数据结果进行重新统计分析。然后。。。就发了篇新文章。。。羡慕吧~~~

咱们来看看整体思路

1.收集文章（既然是从别人的文章的老数据里挖新东西，当然要先收集文章咯~）

2.对这些文章里报道的miRNA进行统计分析，在这里，作者用了一种名为robust rank aggregation的方法（在R语言中可以直接下载对应的package进行分析，PMID:22247279）

3.对筛选到的miRNA靶基因预测（作者可是用了TargetScan,PicTar,DIANA-microT-CDS三种工具进行预测，并且在三个结果中都一致的被认为是靶基因）

4.靶基因有了，接下来自然是代谢通路富集分析，确定筛选的miRNA是否与肺癌相关。

好了，整体思路就是上面四步，看起来是不是很简单。接下来我们一步一步看看作者是怎么做的。

1.收集文章

作者采用miRNA,LUNG,TUMOR,MIRNA等关键词进行组合，检索相关文献，同时在GEO数据库中检索数据集。在这过程中选择的均是英文文献，并且排除掉了仅采用一个细胞样本的文章。最终作者选择了20篇文献，具体情况见TALBE1（当然，附件里有更详细的情况。。。不过要自己去下文献咯。。）

2.统计分析文章里的miRNA在肿瘤和健康样本中的差异表达情况。

作者整理了这20篇文献中miRAN的表达情况（fig1，fig2）,最终发现了157条上调miRNA，164条下调的miRNA，此外，还有50条miRNA在不同的报道中出现了不同的差异表达情况。

之后，作者就采用robust rank aggregation，对这些miRNA进行统计分析，最终发现了7条在肺癌样本中上调的miRNA，8条下调的miRNA（Table2）。

3.进行靶基因预测。

作者采用了3个数据库对靶标基因进行预测，并且从starBase和TarBase中的实验数据进行了萃取（就是利用实验数据对预测结果进行筛选）。靶基因数据都在附件中，需要自己下载文献哟。。。

4.最后对靶基因的结果进行pathway富集分析。

大家都知道，靶基因预测会预测到很多基因，也就避免不了的会富集到各种各样的代谢通路中。作者最后选择了在各个miRNA靶基因富集结果中的交集（fig3，fig4.。还有附件信息哟。。。）。富集结果发现，富集结果主要与细胞信号（如EGF受体信号通路，wnt信号通路等），癌症相关等代谢通路之中。

好了，这篇文章到这里就结束了，最后作者就筛选结果进行了讨论，升华了一下文章。是不是感觉很简单?

其实，通过已有的文献报道对基因进行筛选，是一个很好的方法，一方面能够更加清楚的了解相关数据库的情况，另一方面，对自己所筛选到的新的基因的功能也能进行更好的预测。

就这篇文章而言，作者后续其实还可做很多事情，比如对所筛选到的miRNA的表达情况在细胞中进行进一步的确认，从而选出一个或两个更有意义的miRNA，这样筛出来的miRNA可能就可以作为肺癌的标志基因，甚至可能可以应用于临床检测。

此外，作者对miRNA的靶标进行了预测，作者完全可以在GEO上再筛选几个mRNA数据集进行分析，之后于靶标结果进行整合分析，从而完全了解miRNA-mRNA-lung cancer的作用机制。

除了上述的思路外，对于miRNA的研究还有很多方式，除了从已有的文章里整合出新的miRNA外，也可以自己去TCGA，GEO等数据库进行下载，然后用类似的方法进行分析，从而发现新的标志性miRNA。

END