非肿瘤机器学习的分析模板已经就位

还不赶快产出2022年你的第一篇SCI？!

hi，大家好，我是晨曦
这期的内容我们来解析一篇非肿瘤机器学习的文献，并且根据这篇文献整合出来一份机器学习的分析模板，相信各位小伙伴只要找到自己领域的数据集并且有了相应的idea，就可以快速根据分析模板产出自己的机器学习文章啦~
那么，我们开始吧

本期文献的中文题目：通过RNA测序分析确定早期诊断精神分裂症潜在的血液生物标志物

首先，我们从题目就可以知道这篇文献切入的主要疾病为精神分裂症，要做的其实就是寻找诊断标志物，那么可以运用到的机器学习算法我们预先可以有一个大概的预想，可能会有SVM、随机森林以及神经网络，当然Logistic回归也是一个不错的选择

文献中的相关缩写

1.Schizophrenia (SCZ) ：精神分裂症

2.healthy controls (CTL)：健康对照

3.Bipolar disorder (BPD)：双向情感障碍

4.Major depressive disorder（MDD）：重度抑郁症

摘要——明确文献思路

精神分裂症(SCZ)是一种高度遗传性、多基因的复杂精神障碍，诊断边界不精确。寻找敏感性、特异性的新生物标志物，提高SCZ诊断的生物学同质性仍是研究热点之一

晨曦解读

告诉我们SCZ是一个比较棘手的临床问题，需要特异性的诊断标志物来帮助临床医生

为了鉴定SCZ的血液特异性诊断生物标志物，我们对来自15例首次用药SCZ患者和15例健康对照(CTL)的30份外周血样本进行了RNA测序(RNA-seq)

晨曦解读

这里选择首次用药的患者可能也是考虑，如果患者没有来进行治疗，可能也不会发现这个患者有精神分裂症

通过基于RNA-seq数据和微阵列数据集的多种生物信息学分析算法，包括差异表达基因(DEGs)分析、WGCNA和CIBERSORT，我们首先在SCZ中鉴定了6个特定的关键基因(TOMM7、SNRPG、KRT1、AQP10、TMEM14B和CLEC12A)

晨曦解读

WGCNA分析，本质上来讲就是把基因进行聚类，这样我们就会得到一些表达相似或者协同的基因，然后如果有表型信息，还可以把模块与表型进行关联，这个时候我们就会得到表型和哪些基因相关，当然，解读方向的不同，你把模块内的基因认为是更重要的基因也是可以的，但是需要注意，WGCNA需要的输入数据为表达矩阵（未经筛选的），差异分析后的表达矩阵显然是不行的，因为WGCNA纳入的数据越多，其稳定性是越高的（涉及到构建无尺度网络，当然其中的算法细节，不建议深究，会用即可）

此外，我们发现CTL样本与SCZ样本在淋巴细胞、单核细胞和中性粒细胞的比例有显著差异。因此，我们结合年龄、性别和新的血液生物标志物等各种特征，通过重复的k倍交叉验证，构建了三个分类器(RF：随机森林；SVM：支持向量机；DT：决策树)的风险预测模型，确保了更好的通用性。RF分类器的受试者工作特征面积评分为0.91，在外部验证数据集中ROC为0.77

晨曦解读

和我们预先想的是大致符合的，基本上分类问题需要考虑的就是这几个机器学习的算法

总之，该研究确定了3个外周血核心免疫细胞和6个与SCZ发生相关的关键基因，需要进一步的研究来测试和验证这些新的生物标志物，用于SCZ的早期诊断和治疗

晨曦解读

摘要完毕~

数据集

GSE38485——精神分裂症

GSE124326——双向情感障碍

GSE32280——重度抑郁症

分析流程

Figure1：展示SCZ与正常对照血液样本之间的差异表达基因

晨曦解读

文章的主要结论并不是我们关心的内容，之所以叫分析模板，是因为我们重点关注作者的分析思路，这里的Figure1A图作者展示了三大差异分析的结果，因为算法的不同，这三种方式肯定会存在差异，所以作者对这三种结果取交集，也就是说，通过Figure1我们获得了SCA与正常对照组之间的差异基因

PCA属于机器学习中无监督学习中聚类的算法，其实就是展示疾病组和正常组是否分割清晰，如果完全重合其实就没有往下分析的必要了，这个图其实应该和差异分析的顺序调换一下，因为这一步是属于数据质控的步骤

Figure2：明确差异基因的功能——GSEA富集分析

晨曦解读

这一步骤其实是存在问题的，因为小伙伴们都知道，GSEA富集分析需要纳入全部基因，如果单纯取差异基因则会丢失部分信息，因为GSEA提出的一部分原因就在于摒弃掉传统富集分析存在阈值或者之前有logFC筛选的情况，如果我们把经过筛选的基因集纳入到GSEA富集分析中，其实从某种程度上来说是丢掉了GSEA富集分析的优势

FIgure3：构建差异基因的交互网络

晨曦解读

这一个步骤其实就是我们常说的挑圈联靠中的联的过程，有的同学可能会疑惑FigureA是什么意思，其实很简单，Upset 图和韦恩图类似都是展示差异情况的，如果遇到多分组用韦恩图无法展示，可以考虑使用Upset 图

Figure4：通过WGCNA识别共表达模块以及模块与疾病状态的关系

晨曦解读

这一步骤其实就没有过多的修改空间了，就是进行一个WGCNA分析，相关的很多内容在挑圈联靠公众号上都已经连载过很多期了，而且可视化的方式，运用我们的扒图技能也没有太大的一个难度，所以当我们有表型信息的时候，不妨可以考虑进行WGCNA分析来探索一下基因表达与表型之间的相关性（当然，数据挖掘很多的时候你可以都做一遍，然后挑结果好的进行展示）

FIgure5：模块与基因表达情况