Aging 2019年的影响因子为5.5，去年一共接收了37篇纯生信分析的文章，在5分以上的杂志中算得上是对纯生信十分友好的了，接下来我们看一个新出炉的案例。

        题目：六个特征基因预测头颈部鳞状细胞癌患者生存

       方法和结果：从TCGA下载了RNAseq、单核苷酸多态性、拷贝数变异和临床随访数据。根据RNAseq数据和临床随访数据，进行单因素回归分析，筛选到显著与总体生存相关(OS)的基因。根据单核苷酸多态性和拷贝数变异数据筛选到显著变异的基因。将与OS相关的基因和变异基因取交集，然后再用随机森林进一步筛选，最终筛选到6个基因。将TCGA样本分为训练集和测试集，用这6个基因作为特征，用训练集建立预后模型，结果发现模型能很好地预测预后（P

       结论：构建了一个6基因特征作为预测HN SCC患者生存的一个新的预后指标。

       这篇文章分析亮点有两个：

       1.筛选特征基因的方法，抛弃了传统的差异表达分析，而是利用回归分析、变异分析、随机森林三步筛选，最终确定了特征基因；

       2.多次验证，本文在建立预测模型之后的所有验证工作，都在三个不同数据集中进行了验证，确保结果的稳定性，更有说服力。

       下面，我们来看看详细的过程吧~

       1、鉴定与OS相关的基因

       单因素Cox回归分析TCGA头颈部鳞状细胞癌患者的RNA表达数据，筛选P

       2、识别显著变异的基因

       用GISTIC 2.0分析TCGA拷贝数变异数据，以识别显著扩增或缺失的基因。一共筛选到247个显著扩增基因和901个显著缺失的基因。AB分别表示了各个染色体上拷贝数扩增、缺失的情况。

       用Mutsig2分析了TCGA突变注释数据，以识别显著高频突变的基因。本次分析筛选了302个高频突变的基因。C图展示了各个基因的不同突变在各个样本的情况，突变种类包括：同义突变、错义突变、插入或缺失、移位、无意义突变、剪切位点分布和其他非同义突变。从图中可以看出，不同的基因发生的突变的种类有很大的不同，但是相同的是，这些基因的突变可能和肿瘤的发生和发展都有一定的关联。

       3、变异基因的功能分析

       将GISTIC 2.0和Mutsig2分析得到的显著突变的基因取交集，结果得到1321个基因。对这些基因做GO和KEGG富集分析。KEGG富集分析结果显示，这些基因显著富集在癌症、HPV感染、PI3K-Akt信号通路、人T细胞白血病病毒1感染、人巨细胞病毒感染以及许多其他与癌症的发展相关的通路（图A）。GO富集分析显示，这些基因显著富集在发育过程、细胞过程正调控、细胞分化和定位调控等通路（图2B）。这些通路也与癌症的发生和发展密切相关，也就是说，表现出基因组变异的基因与癌症密切相关。

       4、特征基因筛选

       将筛选的1321个基因组变异基因和预后相关的425个基因取交集，共得到36个候选基因。然后用随机森林作进一步的特征筛选，利用误差率与分类树数之间的关系，以相对重要性大于0.4的基因作为终止信号，最终筛选到6个特征基因。

       再将TCGA病人分为训练集和测试集。首先根据训练集样本这6个基因的表达量、单因素Cox回归系数，建立如下的风险评分模型。

        计算训练集每个样本的Risk分数，然后以Risk分数的中位数将样本分为两类：Risk分数大于中位数的样本被定为高风险，低于中位数的样本被定为低风险。将高风险病人和低风险病人进行生存分析比较，发现高风险病人预后更差（图CE）。6基因特征的1年、3年和5年平均AUC为0.75（图D）。

       5、预后模型验证

       文章用TCGA测试集、TCGA所有数据集和GSE65858数据集分别对预后模型进行验证。都得到了与训练集相似的结果（高风险组预后较差）。

       6、预后模型的临床独立性分析

       将建立的预后模型与其他临床数据（年龄、性别、TMN分期和肿瘤分级）进行单因显示，该预测模型中的6个基因是一种独立于其他临床因素的预后指标，在临床应用时表现出独立的预测性能。

       7、GSEA(基因富集分析)高风险和低风险人群路径差异

       在TCGA训练集中使用GSEA分析高风险和低风险人群中显著富集的途径。分析发现：有20条显著富集的通路，其中局灶性粘附、TGF-β信号通路、WNT信号通路和ERBB信号通路与肿瘤的发生、发展和转移密切相关，并且这些途径在高风险样本中显著富集。

       这篇文章不用做实验，所有用到的突变、RNAseq、临床跟踪数据都可以在TCGA、GEO数据库中下载到。由此可见，通过对数据进行灵活挖掘运用，一样可以发高分文章！