6+SCI零代码复现！一眼学会！

HELLO，大家好，我是夺命小书生，今天给大家带来的是一篇单基因生信分析的文章，文章的题目是‘Exonuclease 1 is a Potential Diagnostic and Prognostic Biomarker in Hepatocellular Carcinoma’发表于 ‘frontiers in Molecular Biosciences’杂志，2022年最新的影响因子是6.113分

Figure1 EXO1在包括肝癌的多种肿瘤中显著上调

Figure2 HCC中基于EXO1的差异表达基因进行富集分析

Figure3 HCC中免疫细胞浸润与EXO1表达的相关性分析

Figure4 HCC中EXO1、CTLA-4、PDCD-1、TP53表达水平的相关性分析

Figure5 EXO1基因的DNA甲基化水平与HCC患者的预后相关。

Figure6 EXO1基因的改变与HCC的生存结果无关。

Figure7 EXO1的表达水平与HCC患者的多种临床病理特征相关

Figure8 EXO1对HCC患者具有较高的预后预测价值。

Figure9 使用EXO1的列线图模型在HCC中具有优越的诊断和预后性能。

Figure10 不同HCC患者亚组中EXO1表达的预后表现。

Table1 EXO1基因CpG位点甲基化水平对HCC患者预后的影响。

Table2 EXO1基因高、低表达水平的HCC患者的临床病理特征。

Table3 HCC患者临床病理特征与EXO1表达水平关系的逻辑回归分析。

Table4 基于Cox回归分析，EXO1对HCC患者亚组临床结局的预后表现。

仙桃学术:  https://www.xiantao.love

MethSurv:  https://biit.cs.ut.ee/methsurv/

cBioportal:  https://www.cbioportal.org/

Figure1

图1是表达差异，首先是在TCGA数据库中的泛癌分析，在仙桃学术的网站上，我们选择表达差异-表达差异-非配对样本，疾病选择泛癌，分子选择EXO1，项目中选择XENA-TCGA

确认之后就可以得到一样的图片了，之后可以选择pdf或者tiff格式下载。

图B-E是geo数据集中的表达差异分析，方法都是一样的，我们这里就不一一展示了，就以图B为例，选用的是GSE46408数据集。我们首先可以在数据集模块进行检索，

然后选择样本，将样本加入样本库

根据Source name中的样本类型进行分类后，提交分析

一两分钟之后，我们选择下载结果中的表达谱数据

然后在其中找到我们的目的基因EXO1，提取表达值并进行整理。

将整理好的数据上传到基础绘图-分组比较图，选择箱式/柱状图，就可以得到和作者一样的图片啦

（PS.图F是用临床的患者数据，应该就无法复现啦）

图G是TCGA数据库中EXO1表达差异的火山图，首先，我们选择表达差异-差异分析-单基因差异分析，首先进行分析

然后在历史记录中下载结果

选择其中的这四列数据

然后上传到差异分析-火山图，,基本参数选择，logfc> 1.5,p小于0.05就可以得到结果啦

图H是相关性的分析,我们只需要在交互网络-分析相关性分析 -单基因共表达热图中选择肝癌，然后输入目的分子，以及相互作用的分子，确认即可一步出图

Figure2

图二是GO/GSEA富集分析的图片，首先我们进行单基因差异分析，按文章中的筛选标准筛选出DEGs（PS.作者选择的DGEs是protein-coding编码蛋白，如果没选这个数量会不一样）

进入功能聚类-GO|KEGG富集分析，我们将得到的差异基因输入到分子列表，富集分析选择全部GO条目，得到结果后保存。

我们进入GO|KEGG可视化，然后找到我们刚刚保存的结果123，然后类型选择气泡图，方法选择分面，就可以啦。

图B-M是GSEA富集分析的结果，我们再回到单基因差异分析的结果，GSEA富集分析需要保留基因名和LogFC值，然后将文件上传到功能聚类-GSEA富集-GSEA分析，参考的数据集选择c2.cp.v7.2.symbols.gmt [Curated]。

然后在GSEA可视化中，基因集ID中依次输入我们想要的的基因集ID就可以啦

Figure3

图三是EXO1的免疫浸润情况，首先是棒棒糖图，我们选择交互网络-免疫浸润-棒棒糖图，选择肝癌，输入分子，然后调整一下XY轴以及文本的角度，就可以啦

剩下的都是分组比较图，我们选择免疫浸润-分组比较图，类型选择点图，然后依次换算法参数中的细胞就可以啦~这里以图B为例

Figure4

图四是相关性的散点图，只需要选择交互网络-分子相关性分析-散点图选择肝癌，然后基因A选择EXO1，更换基因B即可获得A-C的图片啦

Figure5

图5是一个看着很炫酷的甲基化的热图，但是可以在网站上一键出图也是非常的方便，进入网站后MethSurv后按照下面进行选择，之后点击browse in ClusVis即可，这个网站会有一点考验网速~我试了挺久的

刚加载进去就报错了，然后大家体谅一下，就大概效果是一样滴

Figure6

图六是使用cBiopotal网站制作的，首先我们登录网站按照作者的选择选择数据集

然后输入基因选择Submit

随后在oncoplot中即可看到图A的内容

随后我们进入Survival板块，分别选择OS和DFS就可以分别得到图B和图C

Figure7

图7是EXO1的临床相关性，我们只需要依次改变下面的参数，以图A为例，选择RACE，然后分别选择normal,Asian,White.就可以得到一样的图啦

Figure8

图8是预后的KM曲线图，我们选择临床意义-预后分析-KM曲线图，分别选择预后参数中的预后类型为OS,PFI,DSS，风险表格中，三个都选中，就可以得到图A-C啦~这里以OS为例

Figure9

图A是ROC曲线图，我们选择临床意义-ROC曲线，曲线下面积悬择显示，就可以得到结果啦

图B是一年三年五年的时间依赖性的ROC，我们选择3临床意义-预后分析-时间依赖ROC，预测年限分别选择1年，3年，5年。曲线下面积选择显示，就可以啦

图C是nomogram图,我们选择临床意义-预后分析-预后列线图，按照文中的参数输入好，预测年限同样是1年，3年，5年

Figure10

图10分别是EXO1高低表达对OS,DSS,PFI的COX的回归分析做的森林图，做法都是大致一样的，我们以第一个OS为例。

首先我们选择预后分析-亚组KM，这里我们输入RACE，后面选择Black or African American,white.然后运行之后得到一个km曲线，就可以得到EXO1高低表达在该分组的HR以及p值。

然后我们依次调整亚组，分别得到HR以及p值，之后在excel中进行整理。这里我用的方法有点繁琐，需要来回的做比较耗时间，不知道小伙伴们有没有更好的方法进行复现~

然后将整理好的文件上传到，基础绘图-森林图，就可以得到结果啦~

这里看到字有点重叠，我们调整图片的宽度，宽一点就好啦~

Table1

这里是关于EXO1甲基化位点的预后曲线，我们在MethSurv网站中选择All cancers,找到LIHC就是肝癌中的甲基化位点的预后KM，我们将数据下载下来整理成三线表即可

Table2

表2是患者的基线资料表，我们选择临床意义-基线资料表选择好肝癌，以及EXO1，然后在分类变量中选择文中的变量，确认之后即可。

Table3

表三是Logstic回归分析，选择临床意义中的Logistic回归，输入变量之后确认

然后在结果部分直接输出Word三线表即可

Table4

表4是分别对OS,DSS,以及PFI的单因素以及多因素的HR，我们选择临床意义-预后分析-单/多基因COX回归分析，选择好参数

然后依次调整参数中的类型OS/DSS/PFI

将得到的结果进行三线表下载，之后将三次的结果进行整理就可以啦~

欢迎大家关注解螺旋生信频道-挑圈联靠公号~