生信论文36.肿瘤免疫浸润与胃肠瘤
生信论文的套路
- ONCOMINE从全景、亚型两个维度做表达差异分析；
- 临床标本从蛋白水平确认（或HPA数据库），很重要；
- Kaplan-Meier Plotter从临床意义的角度阐明其重要性；
- cBio-portal数据库做基因组学的分析（机制一）；
- STRING互作和GO/KEGG分析探讨可能的信号通路（机制二）；
- TISIDB/TIMER分析肿瘤免疫特征（机制三）。
关于肿瘤浸润淋巴细胞（或免疫细胞）表型的研究，确实是研究热点。接下来，我们仍然关注肿瘤浸润免疫细胞的生信分析。
这篇论文是单基因分析的生信论文，单纯生信数据库的数据分析，没有湿实验验证，但是可以发表在接近5分的期刊上，很多分析做得很棒，值得借鉴。
摘要写作清晰明了。背景中一句话介绍LAYN的功能，然后直接过渡到科学问题。方法中，所有的数据库都是果友们熟悉的技能。如何把数据按照逻辑组合是我们需要学习和借鉴的地方。结果和结论，中规中矩。
差异表达部分，作者没有用oncomine+GEPIA双验证模式，而是选择oncomine+TIMER双验证，三线表放在补充数据里。
对于单基因的差异分析，尤其是与肿瘤浸润免疫细胞表型相关的分析，芒果建议采用这种方法，确实做到统筹兼顾，有局部聚焦（oncomine）和全局通览（TIMER）的神奇效果。不过，在做多基因或者家族基因分析的时候，是选择oncomine+GEPIA双验证模式，而是选择oncomine+TIMER双验证，可以具体问题具体分析。
接下来，作者并没有做临床标本验证和HPA数据库的蛋白水平确认，而是跳过直接去分析临床意义（生存分析）。
在分析LAYN表达与各种肿瘤生存率的相关性时，作者采用PrognoScan数据库和km plotter数据库（prognoscan+km plotter）双验证的模式，增加数据的可信度和说服力。如同差异分析，双验证总是比单个验证有力量。个人认为，还是以km plotter数据库为主。
prognoscan网址：
http://dna00.bio.kyutech.ac.jp/PrognoScan/index.html.
然后，作者利用km plotter数据库分析，发现LAYN高表达与淋巴结转移的胃癌患者生存率差密切相关。这部分以三线表的形式展示，也是km plotter数据的妙用，值得学习。
在差异分析和临床意义部分的基础上，作者开始探究机制——不是组学，也不是互作或富集分析，而是我们关注的肿瘤浸润免疫细胞。前面的差异分析和临床意义是做筛选，筛选后的免疫浸润探究，为论文增色不少。
如果对免疫或者肿瘤免疫浸润或者免疫微环境有足够的了解，上述分析根本做不好，或者即使做出生信分析，也没法去分析结果的含义。
肿瘤免疫微环境是很复杂的表型，也是值得挖掘的宝藏。对于不做实验发论文的生信分析更是如此。
根据分析结果，LAYN与单核细胞极化密切相关，这里作者把肿瘤免疫浸润的表型进一步深入，单核细胞极化是更具体的表型。简单来说，单核细胞极化是指单核细胞向抗炎还是促炎的方向继续分化，表面分子或分泌蛋白发生明显的变化。
最后，作者利用GEPIA数据库的相关性分析功能，探究LAYN基因表达与免疫细胞分子标记表达的相关性，这是一种非常好的数据库结合分析，值得学习。
题目
LAYN Is a Prognostic Biomarker and Correlated With Immune Infiltrates in Gastric and Colon Cancers.
