零代码复现2-基于TGF-β个性化纯生信套路

零代码复现2更侧重于某一个特定的功能集，进行直接建模，这个功能集可以从文献中挖掘，KEGG 的通路，疾病的相关功能，单细胞分析等等，该工具盒适用面极广。

http://www.sxdyc.com/zeroCodeTool

该步骤总共分14个步骤进行

第一步：1.TCGA数据整理

该工具主要是用来整理TCGA的数据

整理一下TCGA的临床数据，从http://www.sxdyc.com/tcgaDataSet下载临床数据

第一列为样本名，第二列为生存时间，第三列为生存状态，前三列顺序不能变。

运行成功后，即可进行下一步

第二步：2、关键基因集表达

该步主要用来分析基因集癌组织和癌旁组织表达情况，这里以箱线图和热图进行展示（示例数据中提供给大家的TGF-β通路，大家可以换成自己感兴趣的功能集进行分析）

基因集长什么样子呢？只要包含一列就可以了

设置图片的颜色，大小，数据是否进行log转化，即可提交，等待运行成功即可

通过ssGSEA的方法计算特定功能集的评分，并通过秩和检验比较了癌组织和癌旁组织之间的差异

第三步：3、关键基因集snv突变

该工具主要用来查看我们关注的基因集snv的变化

选择任务队列即可

第四步：4、关键基因集CNV变化

该工具用量查看关键基因集CNV变化情况，并进行比较

第五步：5、分子亚型的构建

该工具针对我们关注的基因集构建分子亚型，这里使用ConsensusClusterPlus包进行一致性聚类，选择聚类方法、度量距离方法、标准化的方法

raw:不做任何处理的表达值；scale:按照样本进行scale和中心化,center：按照样本进行中心化，不进行scale

通过 ConsensusClusterPlus 包对特征基因的表达谱进行一致性聚类，同时利用(聚类的方法)算法和(度量距离的方法)作为度量距离，并进行了 500 次 bootstraps，每个 bootstraps 过程包括80%的训练集患者对样本进行聚类分析，这里仅输出2型，3型，4型的结果

第六步：6、分子亚型临床特征比较

该工具主要用来比较分子亚型临床特征的比较，要注意的是，这里需要选择亚群聚类的个数，默认是2,3，4选择一个，可以参考第五步中的2，3,4三个亚型KM曲线，保证预后有意义即P<0.05

第七步：7、分子亚型的突变特征

第八步：8、分子亚型的免疫分析

该工具使用cibersort预测22种免疫细胞丰度，并通过秩和检验比较两个亚型之间的

第九步：9、亚型的差异分析筛选关键基因集

该工具使用limma针对亚型进行差异比较

第十步：10、差异基因的富集分析

将第九步获取的差异的基因提取，进行GO和KEGG富集分析

第十一步：11、TCGA数据集构建风险模型

基于TCGA的数据构建风险模型，如果需要上传一个基因集，一般为差异分析的差异基因，首先会通过单因素cox分析筛选预后相关的基因（这里选择p<0.05），选择是否进行lasso,逐步回归进行分析，绘制ROC曲线的时间段，以及高低风险组的颜色进行后续分析

第十二步：12、验证集构建风险模型

需要准备一个geo的表达谱数据和生存数据

第一列为样本，第二列为生存时间，第三列为生存状态，记得顺序不要错！！！

如果选择训练集获取的计算风险模型系数（TCGA），则选择no，反之选择yes

第十三步：13.不同临床特征风险得分的比较

这里的颜色值得是临床特征的颜色，比如T分期有四个T1-T4，就会默认选择前四个颜色，M分期有两个，就会默认选择前两个

目前也有视频讲解：

https://www.bilibili.com/video/BV1o5411k72T/?spm_id_from=333.337.search-card.all.click

原文链接：

https://mp.weixin.qq.com/s/c4JodvtHu5XpkAWdDRZjpA