弗雷赛斯目前有2种课题服务模式：
1.提供完整技术路线的中文分析报告（包括原始数据，图片及解读，用户可自行翻译后投稿）
2.深度合作，完成从选题到发表的全过程，未达到协议目标，弗雷赛斯将全额退款！
很多粉丝在问，是不是只有肿瘤方向的课题合作。实际是不限制的，比如关节炎，痴呆，骨质疏松等等，最终project的方向是在双方协调下完成的。
今天ZY要为大家分享一篇去年发表在MolecularCancer期刊详情的文章Pan-canceranalysisidentifiestelomeraseassociatedsignaturesandcancersubtypes
为什么要讲这篇文献嘞，原因估计大家已经从题目看出来了，就是和大家介绍下泛癌（Pan-Cancer）。听到这个词，估计很多临床的同学都蒙圈了，从没听说过这个肿瘤啊
实际上是这样的，为了实现在癌症类型和起源器官中更进一步的分析疾病之间的共性以及差异，在年10月26日至27日，TCGA在加利福尼亚州圣克鲁斯举行的会议上启动了泛癌（Pan-Cancer）计划。Pan-Cancer的目标是跨肿瘤类型以及跨平台收集连贯一致的TCGA数据集，然后分析和解释这些数据。Pan-Cancer提出的两个月时间内，整理了12种癌症的在基因组、蛋白质、表观以及转录组6种不同平台的数据（如Fig1A所示）。
可见，Pan-Cancer不是特指某种肿瘤，通过泛癌分析，我们可以发现不同肿瘤类型中的基因组和细胞改变之间的相似性和差异，寻找到某些普遍的规律。
接下来看下Pan-Cancer的技术路线是怎么做的，以这篇文献为例：
研究背景：
端粒(Telomere)是存在于真核细胞线状染色体末端的一小段DNA-蛋白质复合体，它与端粒结合蛋白一起构成了特殊的"帽子"结构[1]。端粒有在保护染色体末端中起重要作用并防止它们被识别为DNA损伤部位[2]，端粒的变短可能导致细胞衰老和死亡[3-5]，维持端粒的长度可以让细胞绕过危险并能无限增殖[6]。肿瘤细胞可以通过端粒维持机制使其具有无限增殖的能力，如：端粒酶反转录酶（TERT）的激活，TERT除了具有维持端粒长度的功能，TERT还能激活与细胞生存相关的通路。但当前对于端粒酶基因在癌症中的表达模式没有深入的捕捉和刻画。
在这项研究中，Luo等人基于TCGA中8种癌症（BRCA,KIRC,KIRP,LGG,LIHC,LUAD,SARC和THCA8）的mRNA表达、miRNA表达、体细胞突变以及甲基化数据，通过泛癌的多组学数据对TERT高(TERThigh)和TERT低样本组(TERTlow)进行系统的分析，去找到那些在疾病中特异以及共同的影响TERT的关键基因，并系统而深入地分析这些基因的功能。通过Luo等人的研究，他们深入刻画了在癌症中端粒酶相关的分子特征，为癌症的治疗提供新的研究思路（如Fig1B所示）。
Fig1.研究思路
方法和材料：
（1）TERThigh和TERTlow数据：通过Barthel等人[7]发表的工作，得提取估计端粒酶活
性的基因列表。
（2）TCGA多组学数据的获取：从cBioPortal数据库获取TCGA数据库中BRCA,KIRC,
KIRP,LGG,LIHC,LUAD,SARC和THCA8种癌症的mRNA表达数据、临床数据、甲基化数据（HM）；Firehose数据库获取miRNA表达谱数据、MAF以及SCNA数据。
（3）数据的处理：对于从cBioPortal数据库得到的癌症mRNA表达数据，进行log2转换，并只保留那些在TERThigh和TERTlow组中平均表达值都大于1的基因进行后续分析。
（4）倾向性评分匹配权重算法（Propensityscorematchingweightalgorithm，PSM）：该算法由LiangLi[8]提出，用来寻找TERThigh和TERTlow相关的特征。
（5）miRNA靶基因数据：从miRtarBase,miRanda和miRDB数据库获取miRNA与mRNA互作数据，并进一步通过R包“WGCNA”识别miRNA-mRNA共表达模块。
（6）基因功能分析：通过R包“clusterProfiler”中的EnrichGO函数实现功能富集，参数为ont=“MF”,pvalueCutoff=0.01,qvalueCutoff=0.05，通过“Benjamini-Hochberg”算法实现对p值的校正。其中，选择对那些在TERThigh组病人中特异突变和扩增的基因进行通路的富集分析。
（7）药物靶标数据：从Drugbank数据库获取FDA许可药物及其靶标数据，通过将TERT相关标志物映射到药靶上，从而识别潜在影响TERT功能的药物。
（8）疾病亚型的识别：基于“globalmarkers”和“cancer-specificmarkers”，对样本划分成两类，并进一步通过R包“randomForest”去构建分类器识别疾病亚型。
结果展示：
（1）识别标志物的分布：基于TCGA数据库中BRCA,KIRC,KIRP,LGG,LIHC,LUAD,SARC和THCA8的体细胞突变、拷贝数改变、mRNA表达、DNA甲基化以及miRNA表达这5个分子层面的组学数据，通过PSM算法在各癌症中识别的标志物的分布如Fig2所示。
Fig2.各组学标志物在不同癌症中的分布情况。
（2）TERThigh和TERTlow中特异表达的基因功能富集分析：基于甲基化数据和mRNA表达谱数据，识别在TERThigh和TERTlow中特异表达的基因，并进一步通过R包“clusterProfiler”分别去展示在TERThigh和TERTlow两组中分别特异表达基因的功能，发现TERThigh和TERTlow两组病人中特异的基因所影响的功能确实存在差异，如图Fig3所示。
Fig3.基因功能富集分析。A）TERThigh组中特异基因的参与的功能展示；B）TERTlow组中特异基因的参与的功能展示。
（3）对模块中基因进行分析：基于上述8中癌症的mRNA表达谱数据，通过WGCNA算法在每个癌症中识别出相应的功能模块，在BRCA,KIRC,KIRP，LGG，LIHC，LUAD，SARC和THCA中分别得到38，63，76，70，52，，47和58共表达模块，并对这些模块中的基因进行功能富集分析，发现这些基因参与的功能可以大致分为四类，即细胞分裂、RNA剪切、细胞外基质以及凋亡/血管生成，这些结果进一步说明TERT和细胞周期以及RNA的功能相关。
（4）对模块中hub基因进行研究：对上述模块中的基因，计算其连通度，对连通度较大的EXO1以及TPX2进行敲除实验，发现基因的敲除使得端粒的活性和细胞的生存能力降低，如Fig4所示。
Fig4.Hub基因对端粒酶的影响。A）各癌症中模块基因连通度展示；B-D）EXO1以及TPX2敲除后端粒酶活性以及细胞生长力的展示。
（5）TERThigh组特异的miRNA簇机制分析：miRNA作为一种重要的转录后调控因子，在Luo等人的研究中，发现在TERThigh和TERTlow组中特异的miRNA和mRNA的表达呈现负相关（如Fig5A），之前的研究表明miR-19b和TERT的表达相关，而miR-19b是从miR-17-92中转录来的，因此对miR-17-92簇在TERThigh和TERTlow组差异表达（如Fig5B），miR-17-92簇调控网络如Fig5D所示。
Fig5.癌症中影响TERT的miRNA簇分析
（6）TERT突变特征刻画：结合体细胞突变数据、拷贝数数据和mRNA表达数据，识别和TERT相关的标志物（如Fig6所示），进一步结合药物靶标数据，从TERT相关标志物中作为药物靶点的标志物，并刻画药物和TERT相关标志物的关系（如Fig7所示）。
Fig6.TERThigh和TERTlow组特异改变特征刻画。A）突变特征；B)拷贝数特征；C）Top5突变基因功能展示。其中，红色的基因是FDA药物作用靶标。
Fig7.TERThigh和TERTlow组特异marker与药物对应关系
（7）癌症亚型的划分：整合在WGCNA识别的模块中参与细胞分裂相关的功能中模块中的所有基因与在8种癌症中识别到的与TERT相关的top前20基因，通过“randomForest”分成两类，即：“RFcluster1”和“RFcluster2”，对这两组病人的TERT活性进行分析，同时，利用该分类器在8组癌症病人中划分相应的亚型，并刻画两组病人亚型在8种癌症中的生存情况（如Fig8所示）。
Fig8.癌症亚型
参考文献：
1.OsullivanRJ,KarlsederJ.Telomeres:protectingchromosomesagainstgenomeinstability[J].NatureReviewsMolecularCellBiology,,11(3):-.
2.NeumannAA,ReddelRR.Telomeremaintenanceandcancer?look,notelomerase[J].NatureReviewsCancer,,2(11):-.
3.HarleyCB,FutcherAB,GreiderCW,etal.Telomeresshortenduringageingofhumanfibroblasts[J].Nature,,():-.
4.HarleyCB,VaziriH,CounterCM,etal.Thetelomerehypothesisofcellularaging.[J].ExperimentalGerontology,,27(4):-.
5.DeLangeT.HowTelomeresSolvetheEnd-ProtectionProblem[J].Science,,():-.
6.NeidleS,ParkinsonGN.Telomeremaintenanceasatargetforanticancerdrugdiscovery[J].NatureReviewsDrugDiscovery,,1(5):-.
7.BarthelFP,WeiW,TangM,etal.Systematicanalysisoftelomerelengthandsomaticalterationsin31cancertypes[J].NatureGenetics,,49(3):-.
8.LiL,GreeneT.AWeightingAnaloguetoPairMatchinginPropensityScoreAnalysis[J].TheInternationalJournalofBiostatistics,,9(2):-.
最后总结一下，Pan-Cancer只是一种数据分析思路，意思是你可以跨平台整合多个肿瘤的数据，特别适合数据少的肿瘤类型，变“不可分析”为可分析。另外该技术路线最主要是要找到你的研究对象，本篇文献是端粒酶反转录酶（TERT），然后就是大家熟悉的多层面数据分析了。
生信解读掠影：
解读一篇9分SCI生信文章：顺应潮流才能一蹴而就
这篇文章，没做半点实验怎么就发顶级期刊Immunity了？！
当生信扯上免疫，原来文章上5分是这么简单......
思路清奇！这篇玩到lan的套路文章是如何上5分的
如何从甲基化入手，轻松整篇预后标志物的文章？
生信SCI如何入门火爆的环状RNA领域？
啥？基因还有“假”的！然后5分的SCI就这么到手啦！？
这篇Cell子刊文章能不能参照着做？能！
经典套路解析：胃癌亚型预后分析（CCR，IF=10.19)）
一篇文献一个技术路线：火热的免疫
一文献一技术路线：人工智能+肿瘤预后
一文献一技术路线：最火免疫+“双拼”
科研合作
......
师兄嘱托：
生信学习需要持之以恒，大家可以到目前国内最大的生信学习社区（
转载请注明：http://www.xiebinbinb.com/blcwejp/5389.html
