这3个lncRNA组成的食管癌诊断分类器在tcga数据库能否复现

最近看到某公司宣传他们的产品，是lncRNA的芯片，文章是2015发表的，研究思路很清晰：

• 119个食管癌病人的肿瘤组织和配对样品的lncRNA芯片数据，在GSE53624
• 芯片平台比较老旧了，是Agilent human lncRNA+mRNA array V.2.0
• 把119个食管癌病人数据拆分成为 training (n=60) and test (n=59) 数据集
• 在训练集里面，筛选 4874 lncRNAs表达量有变化的，然后差异分析得到909个有表达差异的lncRNAs。
• 然后随机森林，筛选9个跟生存最相关的，然后排列组合，定下来3个lncRNAs。
• 寻找3个lncRNAs所调控的蛋白编码基因并且进行注释。

看起来似乎是Agilent和CBC公司合作，所以芯片平台是：Agilent-038314 CBC Homo sapiens lncRNA + mRNA microarray V2.0 (Feature Number version) ，从有表达差异的基因列表里面筛选到最后的3个lncRNA组成的食管癌诊断分类器基因集，过程比较复杂，如下：

筛选基因

有趣的是，这篇文章的数据非常多，还有个：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE53622

所以很多数据挖掘文章重新分析了它，比如：

• Immune signature profiling identified predictive and prognostic factors for esophageal squamous cell carcinoma. Oncoimmunology 2017;6(11):e1356147. PMID: 29147607
• AJUBA promotes the migration and invasion of esophageal squamous cell carcinoma cells through upregulation of MMP10 and MMP13 expression. Oncotarget 2016 Jun 14;7(24):36407-36418. PMID: 27172796

学徒作业

大家可以去tcga数据库下载食管癌的转录组数据，提取分离lncRNA的部分，走同样的诊断建模流程，看看得到的lncRNA是否作者的3个lncRNA有交叉。这里面变量很多：

• 首先，两个队列的人群地域差异
• 其次，lncRNA芯片和测序技术差异
• 还有，肿瘤组织和癌旁配对问题，两个组数据量问题

对大家来说，比较难的地方就是如何取最小可诊断的lncRNA集合。

可以参考我的4个小时TCGA肿瘤数据库知识图谱视频教程，其中中共使用了四种算法构建模型：

• cox(可做单因素和多因素) TCGA的cox模型构建和风险森林图
• lasso回归 用lasso回归构建生存模型+ROC曲线绘制
• 随机森林 听起来很霸气用起来并不难的随机森林
• 支持向量机 听起来很霸气用起来并不难的 支持向量机

不管用了那种算法，核心都只是几句代码而已。