三個實例告訴你：不做實驗，還可以挖掘數據發表文章

今天我們就先介紹三篇最近很火的發文章的套路：不做實驗，只挖掘資料庫就發表文章。

第一篇：影響因子 1.7 分

第一篇是今年 5 月份剛發的文章，雜誌是 Pathol Oncol Res，影響因子 1.7分，研究團隊是伊朗的科學家。

基爾頓生物

文章主要通過 cBioportal 對 TCGA 數據中肝癌的數據進行挖掘，結果找到了一條 lncRNA SNHG6 作為肝癌的分子標誌物。結果如下：

基爾頓生物

基爾頓生物

感覺做了好多東西，其實就說了兩件事：

lncRNA SNHG6等3條lncRNA在肝癌患者中基因組水平的改變和表達情況；

lncRNA SNHG6與患者預後相關；

關鍵是只用了一個 TCGA 使用工具：cBioportal，而這個工具使用起來也非常簡單，就這麼挖掘下資料庫一篇 1.7 分的文章就發出來了。

第二篇：影響因子 3.2 分

這篇文章是國內團隊 3 月底發的，雜誌 International Journal of Molecular Sciences，影響因子 3.2，分數已經突破 3 分了，文章說的是通過生物信息學分析鑒定結直腸癌關鍵候選基因和信號通路。

基爾頓生物

下面我們看研究內容：

基爾頓生物

第一印象：圖好漂亮，不過分析似乎有點太簡單了吧。

第三篇：影響因子 5.1 分

基爾頓生物

今年 5 月 22 號發表，雜誌是 Oncotarget，雖然 OT 被大家廣為詬病，不過新影響因子出來還是保持住了 5 分大關，還略微升了那麼一丟丟。文章說的是通過 RNA 測序和晶元數據挖掘研究異常表達的 lncRNA 在肺鱗癌中的臨床意義，我們看看這篇是不是讓我們對 OT 另眼相看：

首先通過 R 語言分析 TCGA 資料庫中的差異表達 lncRNA，並用火山圖展示：

基爾頓生物

（橫過來的火山圖還是火山圖）

接下來，分別通過箱式圖、ROC 曲線、KM 生存分析和與基因 FGFR1 的共表達分析展示 10 條最顯著 lncRNA 的結果，四張圖就是 4 個 fig：

基爾頓生物

再往下是 lncRNA 表達在不同病理參數分組下的表達差異：

還有通過 WGCNA 篩選基於 lncRNA-mRNA 共表達網路建立的 CNC（Coding-Non-Coding）Network：

基爾頓生物

接下來是這 10 條 lncRNA 在 TCGA 中的基因組變異、表達以及與預後的關係，用的工具還是 cBioportal。

基爾頓生物

B 圖是不是跟文章1裡面的很像？因為都是 cBioportal 做出來......

到這裡就結束了嗎？並沒有！

以上只是基於 TCGA 的結果，還要驗證呢：

用 GEO 的數據進行驗證

基爾頓生物

作者用了12 對肺鱗癌樣本進行驗證：表達差異、ROC 曲線和連線圖

基爾頓生物

用 GEPIA 網站對 9 條 lncRNA 子在 22 個腫瘤和癌旁中的表達進行展示

好了，這篇 OT 的文章就算說完了，其中還有 7 個表我們沒有沒有放上來，不過總體來說，這篇 OT 用到了 TCGA 數據，GEO 以及自己驗證的 12 對肺鱗癌樣本，用到了 R 語言的 DESeq 包和 WGCNA 包，Cytoscape 軟體以及cBioportal 和 GEPIA 網站，圖和表不少，而且圖都很漂亮。

總結一下

第一篇 1.7 分的文章只用了 cBioportal 網站分析 TCGA 數據；

第二篇 3.2 分的文章主要對四個 GEO 的數據進行分析；

第三篇 5.1 分的文章整合了 TCGA、GEO 和自己的工作（雖然驗證數量只有 12 對且只有qPCR），用到的工具比較多分析的內容也多，更重要的是圖很漂亮，圖的排布也很整齊，要知道這是一個看臉的時代啊！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！