TCGA数据发表5分文章

​​医学研究的目的就是研究疾病的致病机理，找到相关的biomarker，对疾病的预防，诊断和治疗进行指导。癌症做为一种重要的疾病，其致病机理非常的复杂，目前大量研究是从大规模的病例数据中找一些跟治疗，生存预后相关的biomarker。我们曾介绍了一个癌症相关的数据库TCGA，其中含有33多种癌症，11000多个病例，包含多组学数据和临床数据。今天就跟大家介绍一篇发表在Gynecologic Oncology(IF:4.95)上的挖掘TCGA数据的文章“A 15-long non-coding RNA signature to improve prognosis prediction of cervical squamous cell carcinoma”。

研究思路

该文章的研究目的是找到宫颈鳞癌生存相关的biomarker，构建生存分析相关模型，为疾病的治疗和预后进行指导。首先来看一下文章整个思路的流程图

整个的分析流程非常的清晰，是一个值得借鉴的研究思路，下面我们介绍一下基于这个分析流程的分析结果。

文章具体内容

从TCGA下载公开数据  
从TCGA下载到304例宫颈鳞癌的转录组数据，从中提取lncRNA的表达量，并将样品随机分成训练样本和测试样本两组。分成两组的目的主要是为了检验生存预测模型是质量。

lncRNA 表达量筛选
剔除掉低表达量的lncRNA，保留高表达量的lncRNA。从TCGA下载到14,488个lncRNA, 经过筛选，获得6855个表达量高的lncRNA。

鉴定和筛选预后相关的lncRNA
在测试数据集中，通过单因素cox分析，筛选出809个跟预后显著相关的lncRNA，筛选标准为P值小于0.05。由于单因素的分析结果太多，需要采用鲁棒性分析，进一步筛选。

单因素鲁棒性分析
鲁棒性筛选，就是对数据集进行多次抽样分析，筛选出那些在多次抽样分析结果中出现频率较高的lncRNA。选择其中显著性lncRNA,再进行下面的多因素分析。

多因素分析，构建风险值评估函数
构建多因素的cox分析模型，并基于多个因素对生存率的影响贡献，构建多因素的风险值预测函数。

采用ROC曲线优化最佳分类阀值，并在测试数据上验证模型针对风险函数，进行二分类，筛选出一个最优阀值，能将病例样本分成高，低风险两类。分类效果很好，AUC达到0.946。

在测试数据集上采用生存分析对风险模型进行验证，发现模型能显著的将样本进行很好的区分。

总结

总体来看，该篇文章思路清晰，结果可靠，操作性强，值得借鉴。目前公共数据库里类似的数据实在有太多了，下载公共数据库里的数据，采取类似的思路整理些SCI文章，其实并不是一个困难的事情！怎么样？您想发一篇类似的SCI论文吗？想的话，这里我给您推荐一门《TCGA-生存分析》的自学课程，该课程主要介绍利用公共数据库进行生存分析，内容覆盖上面文章的整个分析流程，讲解详尽，简单易学，欢迎一起学习！

attachments-2018-07-XS84OKxz5b3f369b0cc1f.jpg

另外， 我们在网易云课堂上有不同的数据挖掘及文章套路讲解的视频教程，您可以点击以下链接进行观看：

链接：组学大讲堂--数据挖掘、文章套路视频教程​​​​