IF: 4+ 通过共表达网络鉴定急性心肌梗死患者血小板转录组关键基因模块和通路

点击关注，桓峰基因

桓峰基因

生物信息分析，SCI文章撰写及生物信息基础知识学习：R语言学习，perl基础编程，linux系统命令，Python遇见更好的你

81篇原创内容

公众号

这期分享一篇贼简单的4+文章，2021年4月发表在_Am J Transl Res_. 通过共表达网络（WGCNA）分别鉴定了ST段抬高型心肌梗死（STEMI）和非ST段抬高型心肌梗死（NSTEMI）中血小板相关的中枢基因。

摘 要

急性心肌梗死(AMI)严重威胁着人类的生命安全。本研究旨在系统分析AMI患者血小板关键基因模块的功能。我们使用加权基因共表达网络分析(WGCNA)构建一个共表达模块，利用GEO数据库提供的16例st段抬高型心肌梗死(STEMI)和16例非STEMI (NSTEMI)患者的血小板RNA-seq RPKM计数reads，分析潜在模块与临床特征的关系。使用DAVID工具进行基(GO)和(KEGG)富集分析。利用Cytohubba软件包计算中心基因。共选择3653个基因构建共表达模块。在STEMI中，BMI与天蓝色模块呈显著相关。NSTEMI中，sky blue模组与CAD、Salmon模组与HT、Cyan模组与HT均显著相关。在STEMI中，Hub基因主要富集于与细胞膜信号转导相关的功能，包括Aqp1、Armcx1、Gsta4、Hist3h2a和Il17re。在NSTEMI中，Hub基因主要与天蓝模块的能量代谢相关，包括Olr1、Nap1l3、Gfer、Dohh、Crispld1和Ccdc8b；它们主要与青色模块的胞外空间和钙结合有关，包括Clec12b、Chd4、Asgr1、Armcx4、Chid1和Alkbh7。Salmon模块中的中心基因包括Ell3、Aldh1b1、Cavin4、Cabp4、Eif1ay和Dus3l。我们的研究结果为STEMI和NSTEMI患者的共表达基因模块提供了一个框架，并确定了不同亚型AMI患者的关键标志物。

生信分析流程

我们从文章中提取生信分析流程，看下文章中使用的数据集和生信分析方法，如下：

• 相关数据准备

  数据集选择：GSE65705 包括16 名 STEMI 患者和 16 名 NSTEMI 患者的动脉血中的 32 个血小板转录组样本组成；

  基因集选择：WGCNA筛选

• 生信分析方法

我们从文章的分析流程中提取所有的分析内容，整理出来就10个分析条目，构成了整个文章，临床小样本量+生信文章，发了4+，点击分析条码就会跳转到对应公众号的教程，跟着教程做，您也能发4+，如下：

1.构建STEMI和NSTEMI的WGCNA基因共表达模块；

2.临床信息相结合，筛选关键模块基因；

3.对模块基因进行GO富集和KEGG富集分析；

4.筛选hub基因。

研究结果

1.构建STEMI和NSTEMI的WGCNA基因共表达模块

使用 WGCNA 软件包工具构建 STEMI 和 NSTEMI 样本的基因共表达网络。STEMI建立了7个基因共表达模块, 根据临床信息，筛选与心肌梗死相关的危险因素数据，在STEMI中，skyblue模块中的基因与BMI的临床特征显著相关。在NSTEMI中，skyblue模块中的基因与CAD的临床特征显著相关。

注：以下结果在我公众号都有讲解过，点击链接即可跳转网页！

2.临床信息相结合，筛选关键模块基因；

3.对模块基因进行GO富集和KEGG富集分析；

4.筛选hub基因

整个文章都是依靠生信分析来做，可以说贼简单的分析方法，有想做类似的思路发 SCI 文章的老师可以直接加我微信，欢迎来聊！

References:

1. Zhang B, Li B, Sun C, Tu T, Xiao Y, Liu Q. Identification of key gene modules and pathways of human platelet transcriptome in acute myocardial infarction patients through co-expression network. Am J Transl Res. 2021;13(4):3890-3905. Published 2021 Apr 15.

2. Eicher JD, Wakabayashi Y, Vitseva O, et al. Characterization of the platelet transcriptome by RNA sequencing in patients with acute myocardial infarction. Platelets. 2016;27(3):230-239. doi:10.3109/09537104.2015.1083543

3. Pei G, Chen L and Zhang W. WGCNA application to proteomic and metabolomic data analysis. Methods Enzymol 2017; 585: 135-158