从小白的角度，15分钟复现生信套路。
今天为大家带来一篇2021年1月发表于PeerJ（影响因子：2.984）的纯生信文章《Overexpressed PLAU and its potential prognostic value in head and neck squamous cell carcinoma》的复现
复现内容
· PLAU在头颈鳞癌中高表达
Figure 1. PLAU mRNA is over-expressed in HNSCC.
· PLAU是独立的预后因素
Figure 2. PLAU is an independent predictor of HNSCC prognosis.
· PLAU和临床变量的ROC曲线
Figure 3. ROC analysis of the PLAU expression with the clinical parameters of HNSCC in TCGA datasets.
· PLAU的甲基化
Figure 4. Relationship between PLAU methylation and HNSCC patients.
· PLAU的相关基因
Figure 5. Network establishment for PLAU correlated genes in HNSCC.
· PLAU和免疫浸润的相关性
Figure 6. Relationship between PLAU and tumor immune microenvironment of HNSCC.
复现操作

图一：PLAU在头颈鳞癌中高表达

进入仙桃学术主页，生信工具网址：https://www.xiantao.love/products
↓扫码工具免费用↓
选择高级版，点击“立即使用”
（注：免费版和基础版都可以进行统计和可视化，由于高级版功能最全，这里选择高级版作为范例）
选择“数据集检索”后，输入GSE13601，点击检索：
将实验组和对照组分别添加进样本库：
将样本加入实验组和参考组，并点击“提交分析”：
分析完成后点击“下载”——“表达谱”：
找到PLAU的表达数据后，整理成如下形式：
选择“分析工具”后，在左侧选择“基础绘图”下的“分组比较图”
上传该表格，选择点图，Y轴标题改为“PLAU mRNA expression”，并根据需要调整图形样式，点击“确认”。即可得到Figure 1B。
选择“分析工具”后，在左侧选择“表达差异”下的“配对样本”
在数据中选择肿瘤类型“TCGA-HNSC”，输入分子“PLAU”，并根据需要调整图形样式，点击“确认”。
即可得到Figure 1C。
其他图片也是同样的操作，即可复现Figure 1。

图二和表三：PLAU是独立的预后因素

在左侧选择“临床意义”下的“预后分析”——“单|多因素Cox回归”
在数据中选择肿瘤类型“TCGA-HNSC”，选择相应的临床参数，预后参数选择OS，并根据需要调整图形样式，点击“确认”
下载结果表格，即可得到Table 3：
整理成如下形式：
在左侧选择“基础绘图”下的“森林图”
上传该表格，并根据需要调整图形样式，点击“确认”
即可得到Figure 2A
在左侧选择“临床意义”下的“预后分析”——“KM曲线图”
在数据中选择肿瘤类型“TCGA-HNSC”，预后参数选择OS，输入分子“SAA1”，展示风险表格，并根据需要调整图形样式，点击“确认”
即可得到Figure 2B：
根据同样的方法即可复现Figure 2

图三和表一：PLAU和临床变量的ROC曲线，生存时间的截断值

在左侧选择“临床意义”下的“预后分析”——“时间依赖性ROC”
在数据中选择肿瘤类型“TCGA-HNSC”，在参数中输入分子“PLAU”，预测年限选择5年，并根据需要调整图形样式，点击“确认”
即可得到Figure 3的部分结果：
结果情况中包含表一的部分数据：

图四：PLAU的甲基化

A和C暂时复现不了。下面复现B图
在左侧选择“交互网络”下的“DNA甲基化”——“分子表达相关”
在数据中选择肿瘤类型“TCGA-HNSC”，在临床参数中输入分子“PLAU”，选择一个甲基化探针，并根据需要调整图形样式，点击“确认”
即可得到Figure 4B

图五：PLAU的相关基因

在左侧选择“交互网络”下的“分子相关性分析”——“单基因相关性筛选”
在数据中选择肿瘤类型“TCGA-HNSC”，输入分子“PLAU”，点击“确认”
待分析完成后，下载结果表格：
按以下条件进行筛选gene_biotype =protein_coding & cor_spearman≥0.4或者≤-0.4 & p_spearman：
通过对cor_spearman列进行排序，找到与PLAU相关性最强的前20个正相关和负相关基因：
在左侧选择“交互网络”下的“分子相关性分析”——“单基因共表达热图”
在数据中选择肿瘤类型“TCGA-HNSC”，输入分子“PLAU”，输入共表达基因，并根据需要调整图形样式，点击“确认”
即可得到Figure 5A：
打开String数据库：
将PLAU的相关基因输入到list of names中，organism选择“homo sapiens”，检索：
点击continue：
Interaction score设置为0.9：
下载表格：
打开Cytoscape软件（3.8.0），载入互作表格：
点击OK：
点击插件cytohubba，点击calculate：
下载该表格：
整理出基因的degree：
导入degree表格：
点击OK：
点击style，依次选择“fill color”——“degree”——“continuous mapping”，并设置颜色梯度：
得到PPI网络：
将节点按照degree大小以同心圆形式摆放即可得到Figure 5B
在左侧选择“功能聚类”下的“GO|KEGG”——“GO|KEGG富集分析”
输入PLAU的相关基因，选择全部GO+KEGG条目，点击“确认”，保存结果为HNSC
在左侧选择“功能聚类”下的“GO|KEGG”——“GO|KEGG可视化”
选择柱状图，输入想要展示的GO条目，选择分面，点击“确认”
即可得到Figure 5C：
按照同样的方法即可得到Figure 5D

图六：PLAU和免疫浸润的相关性

在左侧选择“交互网络”下的“免疫浸润”——“散点图”
在数据中选择肿瘤类型“TCGA-HNSC”，输入分子“PLAU”，算法选择estimate——stromalscore，并根据需要调整图形样式，点击“确认”
即可得到Figure 6A：
算法选择ssGSEA，细胞选择Treg，即可得到Figure 6B：
按照同样的方法即可得到Figure 6C-E

表二：PLAU和临床病理因素的相关性

在左侧选择“临床意义”下的“基线资料表”
在数据中选择肿瘤类型“TCGA-HNSC”，输入PLAU，分类变量和数值变量选择如下图，点击“确认”
即可得到Table 2：
好了，本期零代码生信文章复现就到这里啦！有没有觉得仙桃学术的工具很赞很奈斯？希望大家好好利用这个宝藏，多多发文章~
E N D
真没想到，这个套路是真的厉害~
搭配仙桃工具，点点点就搞定！
扫下方二维欧即可免费
获得生信工具

继续阅读
阅读原文
关键词
基因
工具
结果
参数
点击“确认”