- 询价
- 结肠癌免疫相关建模分析
- 全国
- 2026年01月01日
企业认证
相关产品推荐更多 >
万千商家帮你免费找货
0 人在求购买到急需产品
- 详细信息
- 文献和实验
- 技术资料
- 提供商：
研载生物科技
- 服务名称：
结肠癌免疫相关建模分析
1 背景介绍
结肠癌（COAD）是第三大常见癌症，发病率和死亡率不断增加全球[21]。尽管个性化精准治疗取得了重大进展，但其转移率很高，这种肿瘤的侵袭能力一直是降低死亡率的瓶颈，使其5年生存率保持在12％以下[22]。有报道结肠癌预后主要取决于临床病理特征和肿瘤分期。然而，由于显著的疾病异质性，基于这些传统因素很难确定患者的预后。拒前人研究报道，根据基因组或转录组数据可以增进我们对癌症进展和预后的了解[23]，目前已有许多预后基因表达的特征在多种癌症中帮助我们鉴定出预测癌症的预后结果[23-25]。在此研究中，我们综合了COAD多组学数据，从免疫的角度对疾病的诊断、预后的预测进行建模分析。
2 数据来源
基因表达谱、miRNA表达谱（TCGA数据库）
3 分析流程
4 分析提纲及示例图
（1）TCGA公共数据下载
在UCSC Xena数据库下载TCGA结肠癌的基因表达谱以及miRNA表达谱
| 数据集 | 样本数 | 描述 |
| 基因表达谱 | 288Tunor+41Normal | gene expression RNAseq |
| miRNA表达谱 | 253Tunor+8Normal | miRNA IlluminaHiseq |
根据InnateDB数据库[15]的基因注释，获得包含免疫基因的表达谱数据；样本均一化处理。
（3）mRNA与miRNA差异分析
使用Limma[1]分别对mRNA表达谱和miRNA表达谱做差异分析。对样本分组 Tumor vs Normal，获得差异免疫基因与miRNA。选择阈值|logFC|>1且P<0.05（注：阈值可以进行调整）。见示例图1
（4）相互作用网络分析
对于差异表达的免疫相关基因，使用STRING[9]数据库构建PPI网络，确定其中的核心基因，见示例图2。针对差异表达的mRNA，使用miRwalk[11]数据库预测其miRNA靶标，并用差异miRNA进行筛选过滤，构建miRNA-mRNA作用网络，获取其中关键基因，见示例图3
（5）CIBERSORT免疫细胞成分分析
根据CIBERSORT[26]的分析流程（https://cibersort.stanford.edu/），分析各个样本的免疫细胞组成，做聚类热图和统计检验，分析免疫细胞组成与疾病以及预后的关联，见示例图4
（6）基于机器学习的结肠癌诊断预测模型
结合样本的免疫细胞组分和差异表达基因信息，用这些特征构建机器学习模型，使用SVM、L1-LR等非集成模型以及Random Forest、GBDT等集成模型进行优化调参，综合评估各算法的预测效果，选择较好模型作为结肠癌预测模型。见示例图5
（7）生存分析与基于机器学习的结肠癌预后预测模型
针对结肠癌的临床表型（淋巴结数量、TNM分期等），做KM生存分析，寻找与预后相关的临床因素，见示例图6
（8）基于机器学习的结肠癌预后预测模型
与第(6)项分析类似，结合样本的免疫细胞组分、差异表达基因信息以及预后相关临床因素，构建结肠癌病人生存时间的预测模型，见示例图7。此外，使用列线做预后模型的可视化并进行校准评估，见示例图8
（9）结果示例图
示例图1 差异基因筛选结果及表达热图
示例图2 免疫相关mRNA相互作用网络
示例图3 miRNA-mRNA网络
示例图4 CIBERSORT分析-免疫细胞组成
示例图5 结肠癌诊断预测模型评估
示例图6 临床因素生存分析
示例图7 结肠癌预后预测模型
示例图8 预后列线图
5类似工作文献发表
（1）Morales D R , Flynn R , Zhang J , et al. External validation of ADO, DOSE, COTE and CODEX at predicting death in primary care patients with COPD using standard and machine learning approaches.[J]. Respiratory Medicine, 2018.
（2）González, Germán, Ash S Y , Vegas Sanchez-Ferrero G , et al. Disease Staging and Prognosis in Smokers Using Deep Learning in Chest Computed Tomography[J]. American Journal of Respiratory and Critical Care Medicine, 2017:rccm.201705-0860OC.
（3）Sun D , Chen J , Liu L , et al. Establishment of a 12-gene expression signature to predict colon cancer prognosis[J]. PeerJ, 2018, 6(6):e4942.
6项目周期
约两周
7交付文件
Excel表格：（1）基因差异表达；（2）PPI网络；（3）miRNA-免疫基因网络；（4）CIBERSORT免疫细胞组成；（5）诊断模型特征矩阵；（6）免疫基因与生存分析；（7）临床表型与生存分析；（8）预后模型训练集、测试集划分；（9）COX多因素回归预后模型；（10）预后模型列线图信息
PDF图片：（1）差异基因火山图、聚类热图；（2）PPI网络图；（3）miRNA-免疫基因互作网络；（4）免疫细胞组成分布、统计结果图；（5）诊断模型PCA、ROC曲线、特征重要性结果图；（6）生存曲线；（7）预后模型评估：ROC曲线和KM生存曲线图；（8）列线图
风险提示：丁香通仅作为第三方平台，为商家信息发布提供平台空间。用户咨询产品时请注意保护个人信息及财产安全，合理判断，谨慎选购商品，商家和用户对交易行为负责。对于医疗器械类产品，请先查证核实企业经营资质和医疗器械产品注册证情况。
文献和实验WB实战指南（十一）之 Quantity One高斯建模与分析
Quantity One高斯建模与结果分析：a.高斯建模，即用数学方法（微积分）对正态分布曲线进行统计分析。理论上每道band的光密度都呈正态分布的平滑曲线（每个band中间位置蛋白压缩最紧浓度最高，向上向下因扩散而减弱）；然而实际操作过程中，如果荧光过强，往往出现类似方波的曲线（曲线无peak峰，上方为平滑直线，超识别的最高阈值）；荧光较弱宜出现波浪样（多）波峰，或难与背景区分。首先电脑会统计band中每个点的光密度值，并对这些值按正态分布进行归类，当读值不符合正态分布的原理时，电脑会自动
Cell Rep：复旦大学朱棣 / 附属中山医院许剑民联合团队揭示结肠癌肝转移机制
测序的方法检测并比较了结肠癌肝转移和无转移患者原发灶的免疫微环境构成，发现肝转移患者结肠癌原发灶样本中 B 细胞及其亚群活化 B 细胞显著减少。免疫组化分析表明结肠癌原发灶中 B 细胞及活化 B 细胞较多的浸润与结肠癌肝转移患者较好的预后显著相关。 通过对 B 细胞的分化轨迹分析，作者发现 B 细胞的分化与肝转移有密切的关系。并且，在左半结肠癌和右半结肠癌肝转移中，B 细胞的分化经历了不同的过程。这些过程都有 Wnt 这一重要信号通路的参与。 通过进一步分析，作者发现了一群与活化 B 细胞
学霸君已经简要介绍了 Quantity One 蛋白定量的前两步——创建泳道和不同泳道的背景排除——如何正确使用 Quantity One 进行蛋白定量？接下来介绍创建条带、高斯建模与结果分析。创建条带前面我们已经识别和分析了电泳图的泳道，下面我们开始讲电泳条带。在这里要明确两个名词：「Lane」 指电泳泳道，「Band」 指电泳条带。1. 电泳条带的识别：和前面的 Lane 一样，我们首先要对 Lane 上的 Band 进行识别。识别方式同样分为自动识别和人工识别。自动识别的时候选
