9+铜死亡+缺氧+分型+单细胞+实验生信思路

研究者通过多组学方法将结直肠癌分为三种CHS亚型,基于铜死亡和缺氧。CHS亚型间的基因突变、代谢特征、免疫环境和药物响应各有差异,提出了一种新的临床预测和治疗策略。
摘要由CSDN通过智能技术生成

今天给同学们分享一篇铜死亡+缺氧+分型+实验的生信文章“Unraveling Colorectal Cancer and Pan-cancer Immune Heterogeneity and Synthetic Therapy Response Using Cuproptosis and Hypoxia Regulators by Multi-omic Analysis and Experimental Validation”,这篇文章于2023年7月9日发表在Int J Biol Sci期刊上,影响因子为9.2。
a920e7134fb0d5e0f8774038affe8f8f.jpeg

铜死亡是一种新型的程序性细胞死亡(PCD),与细胞三羧酸循环和细胞呼吸密切相关,而缺氧可调节PCD。然而,它们对肿瘤亚型的综合贡献仍有待探索。在此,作者应用多组学方法,根据杯突和缺氧对 TCGA_COADREAD 进行了分类。该分类在三个结直肠癌(CRC)队列中得到了验证,并扩展到泛癌症分析中。

537b10df63298c48d4bc45230d9874ef.jpeg

图1 研究流程图


1. 建立铜死亡-缺氧亚型

利用无监督聚类,根据与铜死亡和缺氧相关的关键基因,将TCGA_CADREAD患者分为三个群,即CHS1、CHS2和CHS3。CHS1 在铜死亡方面得分最高,在缺氧方面得分最低,而 CHS3 则相反。验证数据集的得分特征与训练集一致。CHS1 的分期较早,转移较少,而 CHS3 则呈相反趋势。不过,三个亚型在年龄和性别方面没有明显差异。

5c298559cfe0ac0a79a1886b702eafd8.jpeg


2. 突变特征

单核苷酸多态性(SNP)特征在 CHS 的前 10 个基因中呈现出差异(图A)。基因突变率差异很大,即使在它们之间共有的基因中也是如此。例如,在 54% 的 CHS1 中发现公认的癌基因 Kras 发生突变,而在 CHS3 中仅发现 3%。CRC 细胞中的 Kras 突变通过改变细胞内铜池来改变对铜生物利用率的需求。考虑到CHSs之间的铜死亡差异,Kras状态可能与CRC的铜死亡有关。作为 CRC 的一个不利预后因素,Braf 突变率在 CHS1 和 CHS3 中分别为 3.7% 和 17.3%,表明 CHS3 的预后较差(图2)。在验证集中,Kras 和 Braf 在 CHSs 中的突变倾向得到了验证(图2)。不同亚型的 SNP 类型比例也有所不同。

08703d74abcbe7fa0dcf039db4342c0a.jpeg

图2 CHS 的基因组特征


拷贝数变异(CNV)

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信风暴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值