# meta分析和生信结合更配哦

本人毛细血管，研究方向肿瘤学，目前主要在学习生信数据挖掘和肿瘤免疫微环境等，在后面的分享过程中主要分享自己学到的生信方面操作以及肿瘤免疫微环境相关的文献解读，现已发表meta分析相关论文若干，欢迎大家与我进一步深入交流，微光会吸引微光。

在目前纯生信几乎 “泛滥”的情况了，meta+生信说不定可给我等生信小白提供新的思路，做出和别人不一样的东西。奈何会的东西不算多，今天和大家分享一下思考的套路吧。首先是 meta分析进行筛选文献，进行分析找到差异基因（DEGs），再然后是对差异基因进行一波常规分析，最后来一个WB和qPCR进行验证，最后这个根据所在实验室的条件决定是否实施。文章末尾附有我做的思维导图百度云链接。码字不易，尤其是对于打字较慢的我而言，如有可能希望得到大家的打赏。

这是我的号 (https://www.jianshu.com/u/a1a1bd026f30)，或者搜索毛细血管1也可找到我。

在此特别鸣谢一位华西超厉害的学长，非常感谢他对我一些问题的耐心解答，hhhh

PS：这里的meta分析和传统的meta分析实质和内容不太一样，不能按照以前的老概念去理解

meta分析部分

首先，利用GEO数据库筛选广泛相对应的文献，设置好关键词，制定想要的纳入标准和排除标准（根据癌症种类的不同设置宽严的标准），从而得到若干个关于GSE数据。

之后，利用meta分析对所选取的GSE生成的表达矩阵进行分析，最后取交集得到共同表达的差异基因。这里提供一个在线网站 (https://www.networkanalyst.ca/)，里面可用四种方法对基因表达矩阵进行合并：合并 P Values ，合并 Effect Sizes ，投票计算和直接合并。当然了，该网站的功能是非常强大的，今天只是介绍它的一部分功能，大家可自行摸索。

封面.png

之后的话，可以利用上面提到的2-3种方法进行meta分析，得到相对应的统计量。然后韦恩图取交集，得到共同的DEGs。这里也提供一个网页版的韦恩图画图工具，(http://bioinformatics.psb.ugent.be/webtools/Venn/)，可以生成矢量图，之后用 AI 进行后续的修改。

将以上内容小结一下

meta分析.png

生信分析部分

接下来就是常规的套路了，得到DEGs之后，分别对上下调基因进行GO和KEGG富集分析，不管是用在线工具，比如DAVID，还是R语言都行，展示的图形可为柱状图，气泡图，弦图等，除了颜值之外，他们传达的信息差别并不是很大。

柱状图.png

气泡图.png

弦图.png

随后将这些 DEGs 输入STRING数据库，得到对应的网络图，一般都比较庞大。之后用Cytoscape进行进一步美化，和STRING数据库展示的差不多，也是很大，建议可将一些旁支末节的节点删除掉。通过MCODE插件，得到了关键的模块，之后对关键模块的基因也进行了GO和KEGG基因分析。套路和上面说的一样，展现的图可以自行选择。通过CentiScape 2.1插件，里面提供了12中拓扑算法，根据排序选出关键基因。

PS: hub genes不要选取太多，大概13-20个就行

之后就是对hub 基因的一系列操作了，先是用K-M plotter在线工具（Kaplan Meier-plotter [Breast cancer]）筛选出和生存相关的关键基因。里面提供了常见癌症的生存分析。

Ｋ－Ｍ.png

再然后可以用Oncomine数据库进行验证 hub 基因，网址为(https://www.oncomine.org/resource/main.html))，需要进行注册，一般是需要edu或者是所属单位官方邮箱才行。进去之后操作也很容易，只需要鼠标点击就行。

最后，还可以进行GSEA操作，得到下面的这种图。

GSEA.png

将生信操作部分内容总结一下

生信操作.png

meta分析和生信结合的故事到此就结束啦，欢迎大家和我一起交流讨论！联系方式：[email protected]，微光会吸引微光，优秀连接优秀。

如果实验室条件和自身时间精力充沛的话，可以考虑实验验证部分

实验验证部分.png

福利

思维导图文件链接：https://pan.baidu.com/s/1eoAvHxY9s3_tLgXr7hx3eA 提取码：0hby

2020-05-19