数据来源筛选显著变化的lncRNAs筛选在不同样本中表达普遍有变化的lncRNAs 5664个，对这些lncRNAs分别进行单因素生存分析，最后筛选出289个显著变化的lncRNAs，前20如下图所示: 预后关键lncRNAs鉴定利用R语言中的rbsurv，对上述289个lncRNAs构建Robust likelihood-based生存模型，筛选出11个频率最高的lncRNAs作为预后特征lncRNAs。 lncRNAs互作分析在starbase2.0数据库中搜索与这11个lncRNAs相互作用的蛋白质，绘制LncRNAs-Protein互作网络。 多因素生存分析采用多因素的COX回归模型对预后特征lncRNAs进行分析并绘制ROC曲线，发现他们都对预后具有显著的分类效果。 分类模型对特征lncRNAs进行聚类分析并建立分类模型。 稳定性和有效性验证最后，作者又看了一下这七个模型在不同的TNM分期的样本中的分类效果 总结作者从原发性肺癌样本数据中层层筛选出11个预后关键lncRNAs。它们的相互作用蛋白参与DNA修复和细胞增殖。对特征lncRNAs进行聚类分析并建立分类模型，最终选择了一个稳定性和真实性都很高的4-lncRNA模型。 参考文献：https://www./doi/full/10.1080/21691401.2017.1366334 想借鉴上述文章，对GEO和TCGA数据库进行自主挖掘吗？扫码下方二维码开始学习吧（扫码下拉找到医学课程专区）！8月31日前所有医学课程可以享受最低6折优惠（领券优惠购买）！ 扫码下拉找到医学课程专区 延申阅读 GEO芯片数据下载 |GEO数据与WGCNA--挖掘胶质瘤共表达网络的关键模块与通路|GEO和TCGA套路文章解说 | 基因芯片表达差异分析 | GSEA法基因功能富集分析原理详解！ | 挖别人的数据，发自己的文章 | TCGA-数据挖掘 | 转录因子研究方法！ ｜GEO芯片数据挖掘（直肠癌） |
|
|
