它来了！它又双叒叕带着“福利”走来了！广东医科大学“单细胞测序+多数据库”，不用机器学习，高分轻松到手，给你的数据一个家！

各位小伙伴们大家好呀！近几日馆长苦寻数日，终于把这个“ 大福利 ”给各位小伙伴们找到啦！如果你还有生信文章难以发表一直被拒，那么这篇由 广东医科大学叶晓霞+吴民华团队 带来的“ 单细胞测序+多数据库 ”的文章你一定要和馆长一起好好研读一下~可能有小伙伴要问了，这算什么福利？单细胞测序和多数据库在生信文章中不是非常常见的要素吗，怎么还能发出高分？别着急，就让馆长来一一回答你的问题~

本文首先从 多数据库 中收集了大量HCC患者数据，并利用 Cox回归分析 构建了并验证了一个MBRG 预后模型 ，再结合 多种免疫相关算法 来对肿瘤微环境进行分析，最后利用 单细胞测序 分析ITGA3在HCC中的表达，以完成对HCC患者预后模型的建立。看到这里，小伙伴们是不是觉得它好像只是一篇平平无奇的预后文章呢？但实际上它涵盖了大多数生信文章所需要的经典要素，并以非常清晰的思路将内容呈现出来。作者究竟是如何将这些“经典要素”进行良好结合，并让自己的文章在一众文章脱颖而出的呢？就让馆长来为大家解读一下吧~

1. 本文的一大亮眼之处便是 多种免疫算法 的综合应用，作者在文章中使用了 五种 免疫相关算法来对高低风险组的 肿瘤微环境 进行分析，这大大提升了 预后模型 对于HCC免疫微环境分析的准确性，并为其他一系列疾病的预后提供了新的方向与思路；

2. 此外，生信文章想成功发表，往往都少不了 单细胞RNA测序 的助力，作者利用 公开数据库 中的scRNA-seq数据，成功揭示了ITGA3在HCC中的 特异性表达 与其在 肿瘤迁移中的功能 ，从单细胞水平对HCC进行解析，使预后模型的建立更加可信；

3. 除了上面提到的单细胞测序数据库外，作者还使用了其他公开数据库的大量数据（如TCGA、ICGC数据库等），将 多数据库 的数据结合分析，以此来构建并验证一个准确、独特的MBRG预后模型。 看到这里，有没有抓住一些高分文章的小技巧呢？如果搞不清楚数据库与分析方法该如何匹配，自己手里大好的数据不知道该如何应用，别犹豫，快快扫描下方二维码，让馆长来为你解决你的难题~

定制生信分析

云服务器租赁

加好友 备注“99” 领取试用

题目：转移与基底膜相关特征通过整合单细胞 RNA 测序分析和免疫微环境评估增强肝细胞癌的预后和诊断

杂志：Journal of Translational Medicine

影响因子：IF=6.1

发表时间：2024年7月

公众号回复“123”领取原文PDF，文献编号： 240905

研究背景

作为全球癌症死亡的重要原因之一，肝细胞癌（HCC）的高转移性一直是困扰医护人员们的一大难题，而阻止其转移的主要办法之一便是干预其基底膜（BM）的重塑与降解。尽管HCC化疗治疗取得了一定的进展，但目前的一线药物对晚期HCC的疗效依旧相当有限，这也使HCC的早期监测与诊断治疗变得至关重要。本研究使用公开数据库的大量数据，利用Cox回归模型构建并验证了一个基于转移与基底膜相关基因（MBRG）的预后模型，并使用多种算法来对肿瘤微环境进行分析，旨在通过调查与评估潜在的生物标志物来改善HCC患者的生存结果与治疗结果，为HCC的预后提供新的方案。

数据来源

作者收集了来自多个数据集的患者数据与公共单细胞转录组学数据，包括但不限于TCGA、ICGC、TISCH 数据库中的数据，为HCC预后模型的建立提供了丰富的数据来源。

研究思路

作者首先从TCGA和ICGC数据库中收集了大量的HCC患者数据，包括转录组测序、临床与突变数据，并通过单变量和多变量Cox回归分析构建与验证了一个以转移与基底膜相关基因为基础的（MBRG）预后模型。接着，作者使用了五种免疫相关算法分别对高低风险的HCC患者的肿瘤微环境进行分析与检查，以评估其免疫治疗潜在的敏感性，并通过单细胞RNA测序（scRNA-seq）分析ITGA3在不同HCC细胞中的表达差异，对其在肿瘤转移中的关键功能进行了验证，成功建立了转移与基底膜之间的直接分子相关性，为HCC的预后与可能存在的免疫治疗反应提供了新的见解与思路。

图1 研究工作流程图

研究结果

1.对预后基因进行鉴定与分析

作者首先对 TCGA数据库 中的HCC患者样本进行了 差异分析 ，筛选出了35个与 转移和基底膜（BM） 相关的差异表达基因，其中32个基因上调，3个下调（图2A，B）。接下来，作者对筛选得到的基因进行了 单变量Cox回归分析 ，最终确定了12个预后基因，生存分析结果显示，这些基因的高表达与往往预示了HCC患者的 预后较差 （图2C，D）。

图2 在TCGA-LIHC队列中筛选预后相关DEGs

2.预后模型的构建与验证

基于单变量Cox回归分析得到的12个预后基因，作者进一步使用 多变量Cox回归分析 开发了预后模型。根据中位风险评分，作者将患者分为高风险与低风险两组，其中 低风险组的生存期明显高于高风险组 ，而 ROC曲线 表明了这种基于MBRGs的预后模型的高度可靠性。接下来，作者又以 ICGC数据库 的数据为验证组，用相同的计算公式再次对上述的预测结果进行了验证（图3）。

图3 MBRGs 预后模型的构建和验证

3.MBRGs 预后模型与临床特征的相关性分析

接下来，作者利用TCGA数据库中的数据对MRBGs预后模型进行了更深层次的评估，分析了其预后结果与 临床特征的相关性 。根据分析结果可知，分级高、分期晚及T分期较高的晚期肿瘤患者 风险评分更高 （图4A-C），而高危组则更容易发生 血管浸润 （图4D），同时还可以观察到淋巴结阳性和远处转移的患者有 风险评分增加 的趋势（图4E，F）。

图4 MBRGs预后模型与临床特征之间的相关性分析

4.PPI 网络的 ScRNA-seq 分析和构建

分析发现，ITGA3是与EMT通路相关性最强的 MBPG 。是为了在单细胞水平上探索ITGA3在HCC中的作用，作者使用了TISCH2.0数据库进行了 scRNA-seq 分析。分析结果发现，ITGA3在恶性肝细胞中的表达 显著高于 肝细胞（图5A-E）。为了进一步分析蛋白质的 共表达和相互作用 ，作者以ITGA3为中心构建了 PPI网络 ，分析结果发现，存在20种蛋白质与ITGA3有相互作用，而其中 ITGB1 与ITGA3的相关性是最高的。

图5 单细胞RNA测序分析与PPI网络构建

5.ITGA3在HCC细胞的迁移和侵袭中的关键作用