主要内容: 文章的流程很简单,对TCGA-HNSC与GSE6631两组数据分别进行加权基因共表达网络分析(WGCNA)和差异表达分析,取交集筛选出29个hub基因,随后进行富集分析、蛋白互作网络(PPI)筛选关键基因、生存分析与免疫组化验证(HPA数据库)。每个步骤作者给出的过程、参数算是很详细了,发表两年多的时间,使用的TCGA数据发生了很...
黑色模块中基因的蛋白质-蛋白质相互作用网络如图 1J 所示。 机器学习识别中心线粒体相关 DEG 作者使用七种机器学习算法来独立识别前30个线粒体相关的DEGs(图2A-H),随后,以上七个机器学习结果取交集,产生了九个与中心线粒体相关的 DEG,即 SLC25A37、MTHFD2、SIRT4、DNAJC15、ETFDH、PDK4、CARS2、FKBP8 和 ...
黑色模块中基因的蛋白质-蛋白质相互作用网络如图 1J 所示。机器学习识别中心线粒体相关 DEG 作者使用七种机器学习算法来独立识别前30个线粒体相关的DEGs(图2A-H),随后,以上七个机器学习结果取交集,产生了九个与中心线粒体相关的 DEG,即 SLC25A37、MTHFD2、SIRT4、DNAJC15、ETFDH、PDK4、CARS2、FKBP8 ...
寻找WGCNA 衍生的中枢基因和 DEG 之间的共表达基因。我们最终筛选出 440 个重叠基因作为候选中枢基因,这些基因可能在神经性疼痛的发生和发展中发挥重要作用. 进行 GO 和 KEGG 分析以进一步探索这 440 个重叠基因的潜在作用. GO富集分析表明重叠基因主要影响细胞因子受体结合、趋化因子受体结合、细胞趋化性和JAK STAT级...
使用生物信息学分析,对来自GEO和TCGA数据库的肺鳞状细胞癌数据集进行分析,以识别差异表达基因(DEG)。此外,整合了PPI和WGCNA网络分析,以识别与LUSC密切相关的关键基因。另外,进行生存分析以实现良好预测准确性的预后模型。最终识别出了337个上调基因和119个下调基因,其中四个基因具有被发现在LUSC发展中起着至关重要的...
使用 R 软件并对对数据集的数据GSE24982进行矫正和归一化。然后,使用“limma”软件包进行差异分析。在对表达水平进行显著性分析后,绘制火山图和DEG表达热力图。加权基因共表达网络分析 使用“WGCNA”R包构建了神经性疼痛的基因共表达网络,评估了不同模块与神经性疼痛致病机制的相关性,并选择了最相关的模块作为源自...
1.WGCNA分析通过limma软件包分析mRNA和miRNA数据,以确定DEGs。使用分析出来的1043个DEG的原始数据进行WGCNA分析。图1A中,使用对各种软阈值的无标度拟合指数和平均连接性的分析来确定软阈值功率。接着,图1B通过基因聚类来识别共表达模块,以便对识别的模块进行进一步的分析。
使用生物信息学分析,对来自GEO和TCGA数据库的肺鳞状细胞癌数据集进行分析,以识别差异表达基因(DEG)。此外,整合了PPI和WGCNA网络分析,以识别与LUSC密切相关的关键基因。另外,进行生存分析以实现良好预测准确性的预后模型。最终识别出了337个上调基因和119个下调基因,其中四个基因具有被发现在LUSC发展中起着至关重要的...
首先获得了神经性疼痛数据集(GSE24982),确定了神经性疼痛数据集的DEGs。与正常组相比,我们在神经性疼痛组中确定了 691 个 DEG(449 个上调和 242 个下调)。(图1A火山图,图1B热图) 图1 二、WGCNA网络构建及神经性疼痛相关模块的识别 为了确定潜在的基因模块是否与神经性疼痛相关,对来自神经性疼痛相关数据集的所...
首先获得了神经性疼痛数据集(GSE24982),确定了神经性疼痛数据集的DEGs。与正常组相比,我们在神经性疼痛组中确定了 691 个 DEG(449 个上调和 242 个下调)。(图1A火山图,图1B热图) 图1 二、WGCNA网络构建及神经性疼痛相关模块的识别 为了确定潜在的基因模块是否与神经性疼痛相关,对来自神经性疼痛相关数据集的所...