爾雲間 一個專門做科研的團隊
惡性良性腫瘤相關生信現在競争這麼激烈，該怎麼拿高分呢？
看看生信文章分布，基本就是預後模型（占比最高）、分型、泛癌等，突破點又在哪裡？
新熱點搶發紅利期較短，需要眼疾手快，如果錯過了搶發期或者做經典熱點方向可以從哪裡創新？
找小雲！關注我們，每天get新思路！
小雲這次就提出的點是：在原來的分析套路中注入新鮮血液——機器學習，比如“惡性良性腫瘤分型+機器學習構模組化型”，利用“分析手段聯合”來以小博大，做到思路上創新，提升文章分數！
下面就以一個經典熱點——“幹細胞”方向為例，看看如何利用“惡性良性腫瘤分型+機器學習診斷模型”思路強勢出圈，直接搞定10分+文章！模闆思路，容易複現，學起來！
小雲持續為大家帶來最新生信思路，更多創新性分析思路請看往期内容。需要複現或了解分析思路的朋友歡迎call小雲，風裡雨裡小雲等你！
- 想發高分隻分析銅死亡還不夠？細胞死亡大軍來襲！基于12種細胞死亡模式基因建構預後模型，13分+生信文章輕松收入囊中（私信擷取）
- 震驚！2張圖就能搞定8分+Frontiers生信文章，你不得不知道的“惡性良性腫瘤生化複發”方向，創新性杠杠的！
- 小雲神預測系列：從Nature切入的生信思路-“T細胞增殖”第一篇生信文章已見刊，上手直接8分+
- 1+1＞2之三級淋巴結構（TLS）病理學聯合生信分析，8分+思路，隻需公共資料，讓生信與臨床更緊密！
發表時間：2022年1月
發表雜志：Environmental Pollution
影響因子：8.071
文章題目：通過亞型和特征的網絡計算分析鑒定血管生成和 m6A 修飾對低級别膠質瘤免疫抑制和治療敏感性的影響
研究背景
免疫療法在肝細胞癌(HCC)中取得了很大進展，但仍然缺乏預測對其反應的生物标志物。惡性良性腫瘤幹細胞是HCC惡性良性腫瘤發生、轉移和多藥耐藥的主要原因。本研究旨在提出一種新的HCC惡性良性腫瘤幹細胞相關分類器來預測患者對免疫療法的反應。
資料來源
流程以及主要結果
首先基于PCBC資料庫(syn2701943)中多能幹細胞（PSCs）的RNA-Seq資料，通過OCLR機器學習算法識别幹細胞特征，然後在TCGA-HCC 的RNA-Seq表達矩陣和stemness特征之間進行Spearman相關分析來确定幹性指數(mRNAsi)。mRNAsi越高，惡性良性腫瘤去分化越嚴重，幹性越高。然後，根據mRNAsi評分，将患者分為兩類:具有不同預後狀态、臨床特征、功能注釋和惡性良性腫瘤突變負荷的stemness亞型。然後，應用整合生物資訊學分析來區分惡性良性腫瘤微環境狀态、免疫基因組模式和對化療的敏感性。最後，應用四種機器學習算法(LASSO、RF、SVM-RFE和XGboost) 找到核心的stemness亞型相關特征，取交集之後總共識别出5個hub DEGs。然後，進行多元logistic回歸分析，建立診斷模型以便預測HCC患者的stemness亞型，最後在TCGA和ICGC資料集中進行驗證。
文章小結
這篇文章首先利用PSC的RNA-seq資料通過機器學習算法獲得幹細胞特征，相較于直接找幹細胞相關基因，加上機器學習後創新性就上了一個台階。然後又在原本惡性良性腫瘤分型的老分析套路上加入機器學習建構診斷模型的分析内容，思路的創新性立馬又提升1個level！
文章把機器學習與惡性良性腫瘤分型融合，達到了1+1>2的效果，分數從4分左右直接躍升到10分+，并且這種聯合方法可以在各種疾病應用，換個癌種即可輕松複現，模闆思路趕緊學起來！
選分析方向可以從最新發表文獻入手，當然最便捷的方法當然還是持續關注小雲公的生信思路推薦，想了解更多創新性思路歡迎直接call小雲。