生物信息学基础课程笔记：发文现状、数据获取、选题策略与方向探索

生物信息学基础课程笔记：发文现状、数据获取、选题策略与方向探索

核心结论：这套基础课程围绕“为什么做生信、数据从哪来、如何获取、如何选题、方向基因怎么找”展开，主张公共数据库挖掘应尽量干湿结合，并以明确、细化、具新颖性的方向作为生信分析的起点。

一、课程定位与五部分结构

课程相当于一个基础课程，主要包含五个部分：

1. 发文现状：解决为什么要学习生信，或者为什么要在论文中放入一部分生信内容。
2. 基础理论和常用数据库：面向可能没有很多基础的老师，帮助理解数据如何从生物中获取、能够反映哪些信息。
3. 选题策略和方向探索：解决如何开始生信分析。原文强调，如果没有明确目标，相当于大海捞针，很难做出比较新颖的点。
4. 数据库数据获取：把选题缩小到一个范围，有针对性、有深度地进行生物信息学分析。
5. 方向与基因获取：为后续补充实验或机制探索提供目标性。

整体目标是：在分析之初就能比较明确地判断选题好不好、应该选用什么样的选题、数据集怎么找、想要研究方向的相关基因怎么获取。

二、发文现状：为什么建议生信结合实验

2.1 纯生信时代基本结束，干湿结合更稳

原文明确提出：现阶段公共数据库挖掘非常建议补充生信，同时补充实验验证。纯生信的时代在 24 年末到 25 年已经差不多结束。原文说，到 25 年年末到 26 年再看大部分发表文章，基本上都会加一些验证，包括：

• 基础的体外细胞造模；
• 检测一些基因的表达；
• 验证一些通路的蛋白；
• 检验几个炎症因子；
• 做一些基础的表型功能实验。

也就是说，现在更偏向 干湿结合，而不是纯生信。公众号现在还会推纯生信发文，但对于个人来说，实际一点看，生信结合实验会更加稳、更加好投，投稿周期或被拒稿次数都可能小很多。

2.2 公共数据库的优势

原文主要提到两个数据库：

• TCGA：纯肿瘤数据库。
• GEO：包含很多疾病，常见肿瘤和非肿瘤都有。

公共数据库的优势包括：

1. 数据丰富度和多样性高

转录组方面包括批量转录组、单细胞转录组，以及近期在高分文献、二区或一区能看到的空间转录组。除转录组外，还有甲基化数据、染色质可及性数据等。原文提到“TTC、ACTC”一类染色质可及性数据，名称转写不完全清晰。数据任何人都可以下载。

1. 免费开放与更新迅速

国内一些数据库或国家生物信息平台的数据可能不公开，使用有门槛，比如需要与课题组、通讯作者认识，或本身是教授、副教授才可能申请到。GEO、TCGA 则是免费开放的数据集，更新速度也较快。例如肿瘤开发了新药物，过一段时间可能就有针对细胞或小鼠给药、非给药的测序结果，可以利用别人的数据判断选题或方向有没有研究价值，至少节省成本。

1. 技术门槛相对较低

做生信分析只需要一台电脑、R 语言这个免费软件，以及一些基本编程语言，就可以进行基础数据分析。相比实验验证，比如动物造模、小鼠造模、培养细胞，实验不光涉及技术，还涉及器械，比如流式需要买对应仪器，去高校借用也可能按次付费。因此生信门槛相对低。

1. 发文效率较高

原文提到一个基础调研：最近几年结合单细胞或空间转录组的发文数量逐年递增，检索到的文章二区或一区占比较高，三区也有，但很少出现结合空转、单细胞和一堆生信分析后还只是四区工作量的情况。若结果不好或主线不清晰，才可能落到较低分区。因此生信分析的重要性逐年递增。

1. 周期短

相比做实验，生信周期肯定短。课程隔一段时间上一节，一边学一边就可能得到自己想要的结果。整理生信结果、得到基因后，再有针对性地做实验，比毫无目的地通过文献检索再找方向更快。

1. 符合期刊要求

有些老师会怀疑生信是否专业、审稿人是否认可。原文明确说不是。看现在的 Nature、Cell 等高顶刊，大部分测序数据都很丰富。甚至有研究针对一个或一群患者取样，进行单细胞分析，只弄清楚研究疾病中组织里免疫微环境的组成、每种细胞有多少种或多少亚型、是否有相互协同作用，通篇只做这一件事，也能发到很好分数。当然，这也因为其更偏临床，取样和成本都很高。但至少说明生信分析满足现在文章或主流期刊要求。

1. 机制可以做得更深

如果想深入机制，可以通过生信分析得到靶点并验证，再做敲除、过表达等实验，得到 A 基因的下游基因、下游通路，完成“表型→基因→通路→B 基因”的完整一条线或一条轴。这种有深度的挖掘基本可以到二区，可挖掘价值较高。

三、基础理论：组学数据从何而来

3.1 中心法则与组学产生逻辑

高中就学过中心法则：DNA 转录成 RNA，翻译成蛋白质，最终蛋白参与代谢过程，把水、碳水化合物等基础能量转化成生命活动所需的代谢物，维持生命。组学就是在这些过程中产生的。

• 基因组：所有 DNA 的集合，包含所有遗传信息。DNA 以 ATCG 碱基排序储存遗传信息，并以染色质形式存在。原文提到“21 对常染色体、性染色体”，此处数字可能有口误。基因组研究更偏向探究不同疾病是否由某一个突变造成，对比哪些位点发生突变。
• 转录组：研究 DNA 转录成 RNA 的过程，包括哪些蛋白或调控过程促进 RNA 降解、维持 RNA 稳定、加快转录。RNA 是把信息翻译成蛋白的中间环节。如果模板减少，对应蛋白数量可能减少；但如果模板数量没有改变，蛋白含量增加或减少还需要进一步研究。生命体很聪明，会评估自身状态，节约能量和资源。转录组 mRNA 翻译成蛋白涉及很多能量过程，比如招募氨基酸、以大亚基小亚基形式结合在链上、结合游离氨基酸、进行翻译。
• 蛋白组：测蛋白组时一定以氨基酸链形式去测。但真正有没有功能，还要看蛋白结构，必须经过高尔基体等细胞器修饰、空间折叠，形成三维立体结构，还可能需辅酶修饰，最终才能成为有活性的蛋白酶。因此很难在蛋白组上评估它是否真的发挥了确切的蛋白酶功能。
• 代谢组：需要深入看确切的由酶参与的 A 物质转换成 B 物质的过程，是否真的造成中间产物变化。

转录组、基因转录、蛋白和代谢紧密相连。如果想研究得很深入，需要做常见的多组学联合分析。但课程主要针对转录组进行初步探索。如果发现某一个转录本数量有变化，就可以针对这个转录本做实验，比如研究 A 基因到 A 蛋白，A 蛋白是否催化一个过程，有针对性地探究相互关系。

3.2 柠檬酸合酶与 TCA 循环的例子

原文用 TCA 循环第一部分举例：柠檬酸合酶催化，最终产生柠檬酸。希望学习者看着四个组学去思考：

• 想研究柠檬酸合酶的数量：可通过转录组和蛋白组。
• 想知道柠檬酸合酶是否因为突变造成功能缺失：可针对基因组研究。
• 想知道确切的柠檬酸合酶是否因为数量变化或功能缺失，导致不能完成催化反应：可能需要结合代谢组，看是否真的影响到柠檬酸含量。

即使是一个很短的反应过程，也能用组学思考方式进行思考。

四、各组学作用、场景与差异

原文强调，分析主要以 GEO 公共数据库来做。下面是原文对转录组、单细胞转录组、蛋白组、代谢组的对比。

4.1 转录组

转录组测序结果是一个二维矩阵：横坐标是每个样本的样本名，纵坐标是注释到或芯片上测到的基因名，中间是对应每个样本、每个基因的表达量。主要过程是提取总 RNA，逆转录成 cDNA。真核生物转录过程会加工，去掉内含子，只保留外显子，所以需要提取 RNA、逆转录成 cDNA，再读取有编码信息的序列。它全面检测全部 RNA 分子种类和数量，主要研究对象是有编码蛋白质能力的 RNA，即 mRNA，原文写作“mi”。

常见用途：

• 两两比较，比如疾病与正常、治疗与疾病，找到疾病组相对正常组中异常激活或沉默的基因，即差异分析。
• 常见图：火山图、热图；后面也可以画小提琴图。
• 原文特别强调：如果做耐药与非耐药，或者后面针对 A 基因敲除送测，组间样本数量至少是 3V3 才具有统计学意义。小于 3V3 没有统计学意义，肯定会被质疑。
• 获取差异基因后，进行 KEGG 和 GO 富集分析，看有没有关注的信号通路、相关表型。
• 还可以做 PPI，关注蛋白是否有调控其他蛋白的可能性。如果蛋白异常后可以调控其他蛋白，重要性就体现出来。蛋白和蛋白互作很常见，有些蛋白被翻译出来后会拽着其他蛋白一起进入消耗或降解过程，所以需要放 PPI 图，体现筛选基因之间潜在的相互作用关系。

4.2 单细胞转录组

单细胞转录组也是转录组，提取总 RNA、逆转录成 cDNA、再测序。但除了样本和对应基因表达量一一对应之外，单细胞还多了细胞信息，因为它以每一个细胞去识别、再测序，相当于多了一个维度。

分析步骤包括：

• 质控归一化；
• 聚类和注释；
• 差异分析；
• 富集分析；
• 细胞通讯，研究免疫环境；
• 拟时序分析。

拟时序可简单理解为：取样那一刻，即使巨噬细胞也存在多种状态，对细胞进行持续模拟，看哪些细胞处于分化早期、哪些已到末端。探究每个细胞或亚型主要在哪个阶段分布也有意义。

原文提到单细胞结果组 figure 基本可用五张图：

1. 聚类注释好的图；
2. 可以把不同部位转移单独展示，或疾病亚型每个亚型放一个图；
3. marker 的 UMAP，展示所选 marker 确实有特异性，只在一簇细胞中表达；
4. 富集图，区分细胞中哪些基因发生异常改变、富集到哪些通路；
5. 网络图，直观看到 T 细胞、免疫细胞、NK 细胞与成纤维、上皮细胞在同一网络上体现，线条粗细、程度反映强度和通讯频率，根据基因表达量计算，可估算细胞间潜在互作关系；
6. 拟时序图，有时序起点，颜色有人喜欢由浅及深，也有文章由深及浅。时序零相当于初始状态，还没有分化，较早期；越往后越到末端分化状态。

注释 marker 时，可参考公共数据库数据集的原文献。原文说，发表出去后自测区大部分在二区及以上，注释结果比较准确，可作为分析基础参考。不同组织 marker 有特异性，比如同样都是巨噬细胞，外周巨噬细胞和组织内固有巨噬细胞在 marker 上会有差异。

4.3 蛋白组与代谢组

蛋白组方面，根据分析经验或测试经验，测序回来后会真正有异常的蛋白数量少于转录组数量。这对应了转录后翻译仍有调控作用，比如非编码 RNA 可能调控翻译过程、抑制或阻碍翻译。

代谢组也以自测序为主，主要有两种类型：

• 靶向代谢组学：可有选择地做脂质代谢组学，测到不饱和脂肪酸或饱和脂肪酸链，有具体名称，可知道组织中哪些脂质相关代谢物含量有变化。若要关联方向，比如不饱和脂肪酸增加是否促进氧化应激，是否作为氧化应激底物最终导致细胞死亡，这种研究很多。
• 非靶向代谢组学：范围较大，没有明确只研究酸类、氨基酸类，只是想看组织中有多少化合物，推荐做非靶向。

蛋白组和代谢组做到后面，为降低成本，大部分是针对体外细胞做关键基因敲除，再测序，观察 A 基因影响哪些通路或代谢物含量变化。代谢组还可以关联 16S，不一定必须测组织或血液，可以测粪便。现在很多研究做菌群含量变化，导致粪便中微生物产生次级代谢产物，分泌到小肠上面被吸收进入循环，然后可研究粪便中有哪些化合物、是否入血、是否能通过血脑屏障进入脑。蛋白、代谢和 16S 都需要以自测序为主。公共数据库虽然有，但关于这三个组学的数据集不是特别多，而且大部分情况下不会上传处理好的矩阵，一般以原始数据形式上传。所以没有必要去处理，完全可以自己做有针对性的研究。

五、常用数据库与数据获取

5.1 TCGA

TCGA 主要是癌症数据，一般包含基因组、转录组和临床数据，对同一批患者同时记录三种不同信息。

• 基因组：可知道基因是否发生突变；不同样本中该基因突变是否常见；基因突变是否影响患者生存。
• 转录组：基因表达量。
• 临床数据：因为做肿瘤更关注患者生存，以及某些基因或治疗方案是否影响生存，所以记录更详细，包括患者年龄、性别、肿瘤分期、分级、生存、治疗方案等。性别对某些肿瘤有明显偏向，比如前列腺、乳腺，其他肿瘤性别区分少一点。可进行组间对比，探究关注基因在生存时间、年龄、肿瘤分期或转移情况下是否有差别。

获取方式：

• GDC：公共官方门户，原文也写作 JDC。信息没有处理，自己还要进行很多处理。
• UCSC：比较推荐，因为它已经做好基础信息整合，整理成二维矩阵。遗传信息可以通过原文标注的“bile”数据库获取，名称转写不完全清晰。

GDC 获取步骤原文描述：

1. 进入 GDC 门户，看到数据集页面；
2. 点击相当于构建数据集，缩小范围；
3. 选择数据库，里面有 20 多种数据库，只勾选 TCGA；
4. 进入对应数据集；
5. 点击个性化筛选；
6. 跳转页面后有标签，告诉你项目包含哪些数据、TCGA 项目、具体分型；
7. 一般会有未公开数据，需要选择转录组数据，然后选公开；
8. 添加到购物车，看到购物车有多少样本；
9. 每个样本信息很多，可下载临床信息或具体矩阵。

原文说，一般情况下处理起来比较麻烦，所以更推荐 UCSC。大部分癌症都能找到。通过 UCSC 的 DATASETS 数据集，可有针对性地选择想要关注的数据。原文以结肠腺癌为例，可获取结肠腺癌基础信息。下面矩阵是每个患者对应的每个基因表达量。它分得很细，包括基因矩阵信息，不同格式代表不同标准化过程：count 是最一开始的数量，FPKM 和 TPM 都是常见格式，甚至 TPM 是现在主要进行数据标准化的格式。生存信息和其他临床信息最终匹配下来以生存信息为主，最终可能也就是 510 多个样本。每种格式比如 OS 会以 0 和 1 形式记录，比如存活了多久、最终结局是什么，这些信息都整理好，下载比较容易。

5.2 GEO

GEO 肿瘤和非肿瘤都可以用，信息不只转录组，还有单细胞转录组数据。它由美国构建。原文提到，国内数据库很难获取，一般国家基因组科学数据中心的数据获取不了，可能有关系可以尝试要一下，但可能被不理或拒掉，所以还是以 GEO 为主。

GEO 结构：

• 高通量测序有两种：芯片测序和高通量。
• 芯片：比较旧的萃取方法，可理解为在一个芯片上有很多探针，每个探针对应芯片上的探针名字，还有一个表格说明探针对应的基因名是什么。探针上有一段序列，会抓取对应基因片段，即 mRNA 片段。需要下载对应公司的产品编号，一般以 GPL 开头，常见的是 GPL570、GPL96，其他现在也用得很多。
• 数据集样本信息：数据集编号是常见编号。每个研究都会有一个对应包含多个样本编号的集合。主要研究三个：芯片、数据集编号、样本编号。每个样本匹配一个编号，编号下面有对应样本测到的芯片和具体值，所以记录比较多。
• 数量关系：DATASETS 很标准，只有部分数据能被标记为很标准的数据，所以数量比较少；大部分任何人上传数据都会得到一个数据集编号，数量很多；sample 是每个数据集中的每个样本都会有一个变化，所以数量最多。只要知道芯片、数据集编号和样本是什么，GEO 数据库基本上都能看懂。

GEO 数据集信息：

• 点开任何数据集，能看到数据集上报时间、研究名称、取样物种、实验主要做了哪些内容；
• 还能看到哪些文献引用了这篇文章或这个数据集；
• 芯片信息：最关键的是探针名称，以及最后 gene symbol，即基因比较标准的名称。我们只需要用这两点进行转化，把芯片 ID 转化成常见基因名；
• 下载：转录组一般可通过数据下载矩阵文件，是 TXT 格式，点 TXT 就可以获取矩阵数据。如果这个地方没有，或者很明显看到文件很小，可能只有几 K，那大概率放在 supplementary 补充文件里。补充文件也可以个性化下载，因为有时分组比较多，可以只下载需要的分组。所以只需要获取芯片数据和矩阵文件就可以。

肿瘤患者信息更多，因为非肿瘤 GEO 很少上报个人信息，属于隐私。但肿瘤患者比较急切，所以常见生存信息、患者特征，可以通过点每个样本编号看到，里面有一些基础信息。

单细胞方面，大部分信息与转录组一致，只是格式问题。单细胞是三维矩阵，所以会有：

• 记录了基因表达矩阵的信息；
• 基因和其他特征的信息；
• 具体细胞是谁的信息。

也就是三个矩阵文件。原文说“这个时长这个是最标准的格式”，名称转写不完全清晰，可能指 10x 一类标准格式。有这三个文件的数据集肯定能用。单细胞还有其他格式，比如 H5、注释好的 RDS 文件，或者把几个矩阵信息匹配到一起组成整体 TXT 和 Z，或者 CSV 格 Z 压缩形式，也还是可以用。不要因为格式有问题就不用它。但如果数据集数量比较多、可选比较多，还是优先建议用这种标准格式，比较好理解或比较好用。

初步整理建议：

• 对要研究的疾病，整理可用的数据集有多少、组织类型是什么、分组信息是什么、样本量多少；
• 单细胞数据集还要收集对应原文献，后面做注释可以采用它的 marker；
• 建议自己收集一个 Excel 表格，以芯片、数据集、有哪些信息这样的格式收集，比较规整；
• 后面做验证或没有筛到想要的基因、想换数据集时，不会那么盲目，知道可以换相同测序、相同组织类型的数据集。

六、选题策略

6.1 疾病怎么确定：大众还是小众

选题策略主要涉及关键问题：疾病怎么确定。来听课的人可能已有明确目标，但这个目标选得好不好、合不合适，需要通过这一部分解决：如何评价选的疾病适不适合做分析、好不好发文章。实际一点，主要是看数据集的可及性与质量。

大众疾病，如癌症、糖尿病、脓毒症、心血管疾病：

• 优势：常见，数据集很多；尤其转录组或单细胞转录组丰富度高；有多种组织，比如取血、取组织，可根据个人条件和实验选择性使用数据集。
• 劣势：已经研究很多。前几年讲卷了的铁死亡、铜死亡、各种自噬凋亡、氧化应激，基本都已被做过，常见还有衰老。面对的问题是如何通过新颖出发点、新颖视角看待大热门疾病。
• 新颖点如“安代谢安死郎”、a loop、G4 等，原文名称转写不完全清晰。这些方向可能已被人同步研究，如果进度慢，等到要发时可能已被抢发，竞争激烈。

小众疾病，如肝豆状核变性：

• 本身是由于某个基因突变造成铜代谢异常，原文写作“酮代谢异常”，可能为铜代谢。
• 优势：因为稀缺，如果能得到一点分析、有研究价值的机制或通路，发文也会容易一些，可能就是一个原创性研究；选择方向或出发点时更容易。
• 劣势：调研数据集时比较受限。比如在做 GEO 时，原文提到“westen be”，可能指 Wilson 病，现在只有一个比较好的单细胞数据集，想换都没地方换；没有注意到想要的细胞，想换一换或增加细胞数量都很受限。不像肿瘤可以一直往里面叠加数据，把单细胞数量扩大到十几万、二十万甚至三四十万，用大量样本量或细胞数量支撑分析。

6.2 在大众疾病内部缩小范围

如果不想以泛角度谈问题，可以有针对性地以成熟亚型做研究：

• 按基因表达分型：乳腺癌常见 ER 阳、ER 阴、HER 阳、HER？以及三阴乳腺癌，有比较细的分型。可根据分型设定范围。一旦范围有针对性，就有新的选题。
• 按基因突变分组：比如研究 TP53 突变患者中还有哪些异常，突变和非突变可作为分组依据或选题框架。
• 按进展阶段：肿瘤出现淋巴结转移或远端转移，甚至转移到骨头造成骨痛，有更细研究。小众或别人还没研究的领域可以再做。
• 耐药与非耐药：这是比较有临床价值的选题。肿瘤患者药物更新迭代速度快，更新迭代也主要因为会出现耐药性。不同分型患者会出现治疗有效、无效、有效但不完全的情况。可以针对某一种药物的耐药患者，找比较关键的靶点，作为之后开发抑制剂、做治疗的方向。这样既连接临床，又有自己的独到思考。
• 非肿瘤分型：更像临床诊断时做的分析。比如心肌病有扩张型、缺血型，可以只做缺血性心肌病，缩小范围。
• 脓毒症：结合临床患者数据常用血液，但如果想知道脓毒症是否影响肾脏或心肌病，也可以取受累器官研究，小鼠到模型的数据集也很多，可有针对性地整合，变成可用的大样本数据。
• 糖尿病：受累器官很多，比如血液、皮肤、糖尿病视网膜病变、骨骼肌病变等。可以从大众的血液疾病细化到针对某一具体组织研究。

原文建议：因为一开始提到需要进行实验验证，所以选题时要统筹思考。统筹和思考是设计文章之初最关键的能力。除了选题是否好做、是否有新颖性、是否有数据基石，还要考虑后面做实验能否取到样本。比如做临床，能取到哪些样本；是否可做多组学验证、多组织验证，既测血液又测组织；做体外时如何造模，造模是否容易，能通过哪些方式进行模型构建。

例如帕金森病：单细胞数据可取的细胞有很多种，比如神经元、兴奋适应神经元、小胶质细胞、双纤维细胞等，但选择哪一个细胞作为关键的单细胞分析细胞，需要结合实验验证。如果后期知道要做实验，就尽量选择可以造模的细胞。研究脑部疾病时，大多数人会优先选择小胶质或神经元细胞，因为它在造模上有参考文献，后面有比较宽泛的能力去选择如何验证、如何挖掘。所以设计或选题时不要只考虑分析，如果要发文，还是稍微多看文献，整理现在用哪些造模、哪些是新颖方法。

总结：小众疾病更容易找选题方向、更容易发文，但自我分析过程比较困难，可能需要不停调整阈值；没有好结果时可能没有换数据的方法，最终还是会落到自己测序。大众疾病虽然数据很多，但要找到别人没有思考过的点也很困难。综合下来，最后一个板块比较重要：如何选题、如何找切入点。

七、方向探索与切入点

7.1 切入点的重要性

为发文，切入点的重要性在于：

• 有实际应用价值；
• 明确目标、有针对性。

否则，对于筛选出来的基因，不知道要往哪个方向研究。肿瘤可能筛出几千个差异基因，非肿瘤也可能有两三千个；富集之后通路也很多，怎么选？做完机器学习也许还会剩下一些基因。即使继续学习后可能剩更多，三五十个不可能都做满。方向会让研究更有针对性：某个基因和方向有没有关系、有没有被人家做过、如果做功能实验验证能做哪些、下游是什么、最终影响什么表型、能不能做验证。基于这些考量，可以把研究落到实处，进而推得更深。

临床基础结合：耐药和非耐药是较好切入点。非肿瘤疾病也会有一些药物治疗数据，可以针对某一个疾病，在 GEO 数据库里特异性地找有没有这种治疗数据，结合进来，写背景时更容易跟临床价值挂钩。

申报课题：现在不管是医生、博士，甚至硕士，申请科研项目、写申请书，总得告诉审核专家：做这一切的落脚点是什么、出发点是什么，这很关键。要有实际应用场景。例如研究青光眼，最终研究表型是否跟氨基酸代谢有关系，是否由于氨基酸代谢异常或某一个脂肪酸代谢异常造成疾病加重，抑制这个表型是否有所恢复。它会落脚到一个比较具体的小部分。如果太泛，其实不好写重要性。

7.2 获取前沿信息和方向的方式

1. 文献和综述

比较常用。综述是总结性文章，可以总结现在哪些稀缺，查缺补漏。但综述是之前几年研究累积，有滞后性，太旧，需要选择地看。

1. 国自然热点

现在国自然申报应该结束了，原文提到去年的申报结果，是中医研究院的一些项目。大多数题目能够把一个机制或预期机制写得比较明确。比如研究哪个药方通过哪个机制治疗疾病；有些会明确提到研究的靶点是什么，通过调控 CD4T 和 B 之间相互作用研究疾病。范围更小。所以不能把一个很泛的题目当作目标，需要在分析之前或设计之前就有比较细节的问题。

1. 文献和盘面数据库检索

通过数据库检索。比如做肿瘤，会有很多同质性肿瘤。对于乳腺癌，铁死亡这条通路被抑制了，那么在其它实质性肿瘤中是否也存在相同或类似机制？可以借鉴其他肿瘤的研究方向。如果这个方向没有在你关注的肿瘤中做过，就可以拿来作为选题。 肿瘤和非肿瘤思考方式不一样：肿瘤尽可能在肿瘤细胞中激活铁死亡；非肿瘤疾病可能要抑制铁死亡，不要让它产生那么多损伤、那么多细胞凋亡、加重疾病。筛选到基因后，总得思考这个基因对疾病是促进还是抑制。 检索到的结果一般是生信文章，会比较明确：用了哪些算法、哪些数据、方向是什么、研究过程是什么。例如第一个例子用单细胞转录组数据分析，揭示泛素化会促进慢性疾病加重，比如肝或肺由 COPD 或非酒精性脂肪肝向肝纤维化或肝肺纤维化转化。关注的基因是促进还是抑制这个过程，需要通过分析数据结果、通路，甚至前期调研、前期文献来确定最终机制。但一开始就要考虑好研究的表型是什么，比如关注慢性疾病到纤维化，肿瘤一般关注预后、生存到死亡。常见的是疾病到疾病诊断，或者肿瘤预后。写题目时也可以更明确一点，如果更深入，可以写成糖酵解当中的某一个基因作为什么什么的预测机制。

1. 公众号

原文把公众号放最后，也不怎么推荐用公众号获取方向或选题。因为公众号有特殊性：有可能是约稿，也有可能是人家自测序。虽然看起来做得不难，但单细胞测序一个样现在都得七八千，可能测了几十个甚至 100 个，前期投入成本非常大，肯定不是小课题组去做。人家获取临床信息也很困难，比如设立治疗和非治疗两个组，需要收患者、需要随访，成本很高。所以不能光看它说纯生信、只做简单分析就投到某个分区，还是要结合实际判别它是不是比较特殊的文章。一般情况下，如果现在自己生信结合实验，想要发表，实验工作量会很大。

7.3 最关键原则：新颖性

最关键的原则还是新颖性。必须至少保证所关注的疾病结合方向，没有人通过生信挖掘过。不然别人筛过了，对于这个数据和方向来说，这些基因很重要，再去强调这个事情就没有什么吸引眼球或创新的地方。要结合切入点，让审稿人发现：这个切入点当中，疾病里面有哪些基因很关键，并关联到了切入点的表型。

7.4 推荐方向

原文简单罗列了一些现在方向，标红部分比较推荐。原因如下：

• 翻译后修饰：可能做不了实验。
• 微生物互作、肠道菌群、免疫微生物组串扰：必须做动物，小鼠肠道微生物检测成本太高。
• 比较推荐做常见分析方向：
• 程序性死亡：可以选一些不怎么常见的，比如溶酶体依赖性死亡；
• 免疫：可以选择巨噬细胞当中的某一个亚型，研究它促进或抑制疾病；
• 代谢紊乱：肿瘤和非肿瘤都比较常做。代谢紊乱会影响疾病。比如对于骨头，可能关注氨基酸代谢或脂质代谢是否影响膜的生成。后期要测一个细胞当中是否真的发生这个过程，测代谢物含量，甚至有一些会有试剂盒，很容易检测。综合评定下来，比较推荐代谢紊乱。
• 如果要互作，单细胞也可以体现。比如关注小胶质与神经元互作，可以通过单细胞实现；免疫细胞与基质细胞互作，也可以通过单细胞实现。原文说这里设立的几个方向都是实验上比较好做、申请上也可以实现检测的最终方向，可以作为参考。具体需要结合疾病，再去数据库检索。

7.5 方向基因如何获取

一般获取方式有四种：

1. 高分文献整理

比如线粒体和溶酶体接触，或者肿瘤中的肿瘤线粒体转移。做这个方向的文章会总结哪些基因确切影响这个过程，也会有更高分文献备注。如果做相同方向，可以参考它获取方向基因的方法。

1. 数据集和数据库

“基因 cut”很常见，可能十篇文章前有八篇都用这个数据库，但现在不是很推荐。因为输入什么都会有八点出来，根据置信度或相关性检索，准确性有问号。还是推荐通过文献获取，或者通过后面提到的“E口清这个 MC 和 dB”“AGG”或“reaction（Reaction）”等反应数据库获取。原文名称转写不完全清晰。 做免疫、铁死亡、衰老，会有很单独的数据库，但这种单独数据库也比较少，也就这么几个方向有。再加上 a loop、G4 也有。可以检索方向相关文章，生信文章都会罗列。如果前人研究比较多，以至于单独整理出数据库，就可以获取。 如果做代谢通路方向，有代谢紊乱，那这三个数据库就可以获取相关通路中的一些基因，并解析具体这个通路当中哪些基因发生异常。

1. 药物数据库

从国自然也能发现，现在做药物研究很多，比如中药复方进一步挖掘潜在治疗靶点，通过哪些表型治疗疾病。如果自己是中医，或者有科室经验方，或者老师研究某一个药物、小活性成分，可以尝试把它作为一个方向：某活性成分可作为潜在治疗某疾病的药物，然后挖掘机制。 毒物也可以。24 年年底网毒发文非常容易，比如常见的农药残留、兽药残留，甚至药物制备过程当中的单体残留，可以作为潜在损伤靶点。研究思路和网药不一样：网药是治疗疾病，网毒是农药、兽药残留进入体循环后可能造成疾病。逻辑一样：检索毒物潜在靶点，作为一个方向。

1. 细胞作为方向

后面会做单细胞分析。如果做完差异，想关注巨噬细胞在疾病和对照之间异常的基因，可能影响疾病，那么可以把巨噬细胞当中获取的差异基因作为方向，以目标细胞作为研究起始点，也是不错的。现在做相互作用的文章也很多。

八、整体总结与行动清单

课程整体基础内容介绍完毕，涉及五个部分：发文现状、基础理论、数据库怎么看、选题策略、方向应该怎么选。有这几部分作为开始，至少可以在分析之初比较明确：

• 选题好不好；
• 应该选用什么样的选题；
• 数据集怎么找；
• 想要研究方向的相关基因怎么获取。

可整理为行动清单：

1. 优先干湿结合：纯生信时代基本结束，生信结合实验更稳、更好投。
2. 至少保证 3V3：做组间比较、耐药与非耐药、敲除后送测，组间样本数至少 3V3，否则缺乏统计学意义。
3. 熟悉核心数据库：TCGA 用于肿瘤，GEO 用于肿瘤和非肿瘤；TCGA 可通过 GDC 或 UCSC 获取，推荐 UCSC 的已整合矩阵；GEO 重点掌握芯片、数据集编号、样本编号、GPL、TXT 矩阵、补充文件。
4. 单细胞重点看三矩阵文件：基因表达矩阵、基因和其他特征、细胞信息；有这三个文件通常可用；其他格式如 H5、RDS、TXT+Z、CSV 压缩也可用，但可选多时优先标准格式。
5. 自己整理 Excel：记录芯片、数据集、组织类型、分组、样本量、原文献和 marker，便于后续换数据集和验证。
6. 选题要统筹：考虑数据可及性、新颖性、实验样本、造模难易、多组织/多组学验证可能性。
7. 方向要明确：避免太泛；结合临床价值、国自然热点、文献检索、药物数据库、细胞差异基因；推荐代谢紊乱、程序性死亡、免疫亚型、细胞互作等实验相对好做的方向。
8. 新颖性是底线：至少保证疾病+方向没有被生信挖掘过。

九、限制与待确认问题

原文是口语化课程转录，部分专有名词、数字和方向名称转写不清，需要在后续学习中核对：

• TCGA：原文多处写作“TCJ/TCJ”。
• GEO：原文也写作“JO/GO/GOTCJ/GO”。
• GDC：原文也写作“JDC”。
• UCSC 中用于遗传信息的数据库：原文标注为“bile”，名称转写不清。
• 染色质可及性数据：原文提到“TTC、ACTC”，名称转写不清。
• 单细胞标准格式：原文说“这个时长这个是最标准的格式”，可能指 10x 一类标准格式，但名称不确定。
• 方向基因数据库：原文提到“E口清这个 MC 和 dB”“AGG”“reaction（Reaction）”，名称转写不清。
• “基因 cut”：可能指 GeneCards 一类数据库，但原文如此，准确性存疑。
• “安代谢安死郎”“a loop”“G4”：原文转写不清，可能对应某些新方向名称，需核对。
• “westen be”：可能指 Wilson 病，但不确认。
• “酮代谢异常”：在肝豆状核变性语境下可能为铜代谢异常，原文如此。
• “21 对常染色体、性染色体”：原文数字可能有口误，人类通常为 22 对常染色体加 1 对性染色体。
• 时间：纯生信时代在 24 年末到 25 年差不多结束；25 年年末到 26 年大部分文章加验证；24 年年底网毒发文容易。
• 数据：TCGA 生存信息最终匹配可能为 510 多个样本；单细胞测序一个样七八千；有文章测几十个甚至 100 个；3V3 是原文强调的最低统计要求。
• 原文未提供来源链接或具体文献列表，后续需要自行检索核对。