第一篇文章来自，19年影响因子8.378

文章标题是Genetic and Environmental Determinants of Immune Response to Cutaneous Melanoma

大家可以通过doi自行查看，doi.org/10.1158/0008-5472.CAN-18-2864

文章主要做的是一个事情是鉴定黑色素瘤的不同亚型，并且阐述不同亚型中差异基因的变化，基因组CNV的变化，还有某一基因在不同亚型中对预后的关系和对PDL1的免疫响应。

背景和论述的过程大家可以看一下原文，不太难懂，我们主要讲一下结论和分析的pipeline

重要结论：

1.基于免疫细胞得分构建了不同免疫响应亚型，并且亚型之间确实存在显著的预后差异。

2.通过对不同响应亚型组之间的差异表达基因进行富集分析，发现MYC，NFKB1基因与这种免疫响应之间的关系

3.CNV分析表明在不同的响应亚型组之间MYC，NFKB1基因的突变频率也有显著的差异

4.对各组进行临床特征分析发现smoking是高免疫响应亚型的风险因子

文章用到的数据比较多，包含TCGA带有临床特征的数据 GEO数据 CNV数据和突变数据。

第二篇文章来自Oncoimmunology，实时的影响因子是5.333

文章题目Two immune-enhanced molecular subtypes differ in inflammation, checkpoint signaling and outcome of advanced head and neck squamous cell carcinoma

文章链接：doi.org/10.1080/2162402X.2017.1392427

先看分析结果：

文章的分析方法也相对好梳理：

1、首先筛选具有预后信息的 TCGA\GEO 数据集 2、下载收集免疫相关基因集。 3、利用免疫相关基因集表达谱进行分子分型 4、主成分分析亚型特异性 5、筛选不同分子分型特异表达基因 6、分析不同分子分型中的临床特征 7、分析不同分子分型中免疫细胞、基质细胞评分等免疫浸润的关系，寻找 免疫增强/抑制相关亚型。 8、免疫检查点基因在不同亚型中的差异分析 9、不同亚型的预后差异分析 10、共表达筛选免疫增强/抑制亚型的特征基因 11、构建分类模型预测免疫增强/抑制亚型 12、外部数据集验证

第三篇文章来自，主要方向是肿瘤干细胞特征分析

文章来自比较高大上的CELL，文章的工作量很大，但我们模仿其中精髓就能做一篇不错的文章

标题是：

Machine Learning Identifies Stemness Features Associated with Oncogenic Dedifferentiation

链接是：doi.org/10.1016/j.cell.2018.03.034

文章结论的数量真的非常能体现这个分数段杂志的质量，但有些结果你在其他肿瘤里未必能做出来

如果想模仿其实也有办法，这里不把篇幅扩的太大了，感兴趣可以与小编私聊。

第四篇不是文章，而是整合了多篇文章的一个思路

具体参考的文章有：

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6323227/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6412453/

https://www.nature.com/articles/s41598-019-39228-9

https://www.biorxiv.org/content/10.1101/253344v2

https://www.ncbi.nlm.nih.gov/pubmed/29512712

那么整合了这么多篇文章的思路究竟是什么样的呢？

1.准备数据

2.鉴定gene signature

3.功能注释

4.PPI网络分析挖掘hub gene

5.gene signatures 参与调控的 miRNA 分析

6.蛋白表达验证

7.药物相关靶点分析和潜在药物分析

看上去是不是挺简单的，但具体分析中的坑还是挺多的，不过好在这些坑小编团队已经提前踩过了，如果你想节省时间，欢迎与我们合作。