如何用TCGA数据库DNA甲基化芯片发5分文章？
各位科研芝士的朋友好，我们今天解读一篇利用TCGA数据库中的DNA甲基化芯片分析的文章。此文18年发表在CLINICAL EPIGENETICS 杂志上，最新影响因子5.49分
一
下载DNA甲基化的数据
首先作者下载了TCGA数据库中（level 3）的DNA甲基化的数据，不过他下载的是Human Methylation27 BeadChip，就是27k的甲基化芯片数据，这类芯片所能捕获到的甲基化位点相对较少，主要是检测人基因组2.7万个甲基化位点。
二
信息下载和样本筛选
作者接着下载了这些病人的临床信息，包括年龄，性别，生存时间等，然后做了关键一步，就是样本筛选。首先对有生存时间的病人样本进行保留，接着对肿瘤病理学分期不清楚的阶段进行剔除，作者选定了（G1，GX，GB）三个分期，认为这三个分期可能会有不同的生物学行为，就对这三个分期的病人样本也剔除。最后保留了551个病人样本和27578个甲基化位点进行后续分析。
三
样本拆分
从上面我们可以看到，551个病人样本，数量还是十分可观的，接着作者按照2:1切分样本，2/3为训练数据集，1/3为测试数据集，用训练集训练出一个模型，测试集来验证这个模型。
四
识别DNA甲基化位点并建立模型
在训练数据集中，识别与病人生存率相关的DNA甲基化位点并建立模型，这个是文章具体计算过程，其实就很简单，作者实际上针对病人的整体生存时间，只进行了单变量cox分析和多变量cox分析，最后作者采用多变量分析中的逐步回归法（stepwise）成功抓取了5个重要的甲基化位点，根据他们在模型中的参数，构建了这样的一个预后风险表达式。
五
模型的验证与评估
接着作者对模型进行验证，就拿剩下的1/3数据集去验证模型的稳定性，以及考察模型是不是独立的预后因子，理论上大家做到这一步，就要结束了，作者为了强调自己模型的优越性，就做了下一步，也是提分的关键。
六
突出自己模型的优越性
作者将已经报道的biomarker和自己的biomarker在验证数据集里面进行比较,通过下面的ROC曲线来展示结果。估计这个就是打动审稿人的一块砖。
OK，这个文章就结束了，这篇文章思路非常清晰，以DNA甲基化为切入点来构架预后模型，整个流程和我们之前做预后的流程几乎一样，希望大家有所收获。 后台回复关键字：“DNA”，获取原文
·end·