最近有一些博士与小编讨论开题问题。小编就会问到那你都有什么准备呢，做了哪些前期工作，得到的答案是啥也没有...
原因很复杂，但主要原因是没有足够的时间去看文献和前沿的报道，不知道研究什么是有意义的，这时你又不能跟导师说我准备先花十万做做预实验，小心导师打死你。
此刻你内心是焦急的，选择也很有限，同时很多名词浮现在你眼前：差异基因分析、通路注释、生存分析、富集分析、PPI互作、WGCNA分析，如果你是个爱看新闻的老同鞋，你还能想到免疫浸润、免疫微环境、免疫评分、甲基化、多组学...但是这些跟你有啥关系呢(┬＿┬)你并不会操作，而且你现在亟需一个研究的意义。
当你跟导师讲一个“我要做一批样本的差异基因，并且再做一个WGCNA，然后富集到某个功能上，然后再做实验验证”的故事的时候，老板通常眉头是紧锁的，这别人都做了一万遍了，你再做一遍的意义何在...
正确的打开方式应该是这样的：我通过调研了几十篇文献（具体数量取决于你的胆量），咦！发现了一个基因名叫XXX，在某某疾病中是这样式的，有一个不错的机制，但是在我们研究的疾病中还没有被报道，如果我能发现啥啥啥（能发现啥取决于你的想象力），那这是一个非常有意义的研究！这时你在不知不觉之间就开启了一个单基因的研究。
单基因研究的好处真是非常多：首先基因多，你至少有上千个选择，其次你把要对它进行的操作模块化，然后再增加、减少、调整若干个模块，想跟别人重复都很难，在导师眼里你简直就是一缕清流，不落俗套！
最后，明确了基因，怎么做实验其实心里也就有数了。把你擅长的实验方法都掏出来吧！你的论文将变得很厚很厚...
说了这么多但也不是没有缺点，单基因研究很难每一个步骤都产生一致的好结果，但你现在不是啥也没有嘛，找到研究意义比找到研究结果紧急。
这里推荐几个单基因研究好套路
文章1：HVEM基因作为免疫检查点分子在GBM发展中的重要性
这篇文章主要介绍了HVEM作为免疫检查点分子在GBM发展中的重要性。作者动用多种来源的数据和多个分子水平的数据来证明HVEM在GBM中是一个与预后和免疫浸润有显著关系的biomaker。
这篇文章工作量很大，这里简单介绍。
HVEM mRNA在WHO II-IV级胶质瘤中的表达水平，数据来源分别是TCGA (n = 669), CGGA (n = 325), Rembrandt (n =510).与低级神经胶质瘤（LGG）样本相比，观察到HVEM在GBM中显着上调（P<0.001）。在TCGA和CGGA队列中，WHO III级的HVEM表达也高于WHO II级病例（P <0.001）。
图B：通过ROC曲线进一步表明HVEM可能是一种胶质瘤潜在的诊断标志物(the area under thecurve (AUC) value= 0.7797; P<0.001).
图C：更加细分水平下的HVEM表达水平（分类原则：2016WHO分类）
HVEM在LGG-Oligo和LGG-Astro中下调，但在LGG-IDHwt上调（包含both TCGA and CGGA datasets）
作者收集原发性神经胶质瘤（n = 34）和正常脑组织（n = 6）样本，通过免疫组化结果验证HVEM表达在蛋白质水平上也被上调，与LGG（5/12; 41.7％）和GBM（16/22; 72.7％）相比，在正常脑组织中表达较低（1/6; 16.7％）
在正常脑组织（n=6）、LGG和GBM（n=34）中的定量染色结果，表达量随肿瘤级别增加而增加。
通过倍数放大显示，HVEM在GBM中阳性表达，但在相邻的正常脑组织中表达较低。
HVEM在不同亚型胶质瘤之间的异质性（基于VERHAAK_2010分类方案）：
· 人脑胶质瘤在分子水平上可分为经典(CL)、间充质(MES)、神经前(PN)和神经(NE)四个亚类。与PN或NE亚型相比，CL和MES亚型表现出更多侵袭性。
· 在TCGA数据集中，与NE、PN CpG岛甲基化子表型(G-CIMP)或非G-CIMP分子亚型相比，MES分子亚型中HVEM表达显著增加。
· ROC曲线进一步表明，HVEM可能是胶质瘤MES亚型预测的有效指标。
· 在Rembrandt数据集中呈现与TCGA一致的结论。
用TCGA的两组样本（HVEM高低表达）通过GESA算法分析两组样本中MES and PN signatures；
图D：对93份样本的RNA测序数据分析表明，与NE和正常脑区相比，HVEM在GBM-CE区高表达
图E：根据常春藤胶质母细胞瘤Atlas项目的RNA-seq数据分析得到，与其他病理区域相比，HVEM在PAN（坏死区）、MVP（微血管增生）和HBV（增生血管）中有丰富的分布。
通过生存分析评估HVEM的预后价值：
用TCGA和CGGA数据集中HVEM在胶质瘤中表达的中位数绘制曲线，HVEM高的患者的总生存期(OS)显著短于HVEM低的患者（P<0.001）
根据不同的组织亚型分类对患者进行分析，不利的OS也与较高的HVEM表达有关
使用TCGA数据集分析基因组特征：用来确认HVEM的高低表达是否与特殊的基因组特征相关联。
文章2：高表达CPT1A作为白血病治疗靶标的研究
详细介绍：https://shengxin.ren/article/393
分析流程整理:
数据选取
↓
差异基因分析
↓
生成表达火山图
↓
生成差异基因热图
↓
KEGG通路富集分析
↓
根据表达值进行分组，然后进行Wilcoxcon秩和检验
↓
miRNA和基因的相关性分析
↓
通过皮尔森相关系数分析mRNA-miRNA互作关系
↓
差异甲基化分析和甲基化位点分布统计
↓
生成差异甲基化分别在Island和gene promoters的表达热图
文章3：CDK5作为人肺癌肿瘤启动子的功能
这篇文章作者通过肺癌样本数据研究CDK5作为启动子在癌症中发挥的功能。作者通过数据库和体外实验探究了CDK5基因的转录，存活，功能和结构。作者发现大多数癌细胞系中CDK5表达水平较高，而肝癌和脑癌细胞系中表达水平较低。CDK5的高表达与肺癌中较短的总体存活（OS）相关。此外，CDK5的高表达水平促进肺癌细胞的增殖和转移。抑制的CDK5活性降低了CAP1的磷酸化。CDK5可能被证明是抗癌疗法的有效靶标。
分析流程：
1.CDK5在不同癌症中的转录水平
CDK5在膀胱癌，乳腺癌，结肠直肠癌，头颈癌，肺癌，淋巴瘤，黑色素瘤，骨髓瘤，卵巢，子宫肌瘤，卵黄囊瘤和精原细胞瘤中高表达，并在脑，中枢神经系统（CNS）白血病和肝癌中低表达。CDK5的高转录水平显示肺癌和皮肤癌患者的预后不良。
2.CDK5转录水平与癌症预后的关系
通过两个数据库验证在肺癌中，CDK5与预后之间的关系具有统计学显著性，而在卵巢癌，乳腺癌和胃癌中无统计学差异。说明CDK5与肺癌预后不良有关。
3.CDK5蛋白质互作分析
通过String数据库分析蛋白互作得到三种蛋白（CDK5R1，CDK5R2和MAPT）与CDK5的相关性最高
4.肺癌亚型中的CDK5，p35，p39和MAPT基因组突变和CNA
肺鳞状细胞癌中CDK5，CDK5R1，CDK5R2和MAPT基因的改变百分比在个体基因中为CDK5,2.2％; CDK5R1,1.1％; CDK5R2,2.2％; MAPT,3.0％
这些变异包括扩增，深度缺失，截短突变和错义突变
CDK5中的第48个氨基酸易于突变，突变类型属于错义突变
5.肺癌亚型CDK5，p35，p39和MAPT的遗传分析
6.CDK5在人类癌症细胞系中的表达
CDK5在大多数癌细胞系MCF-7，EJ，A549，PC9中的表达上调，而在HepG2中明显下调和在U87细胞系中的表达明显下调，而在正常细胞系中几乎没有检测到CDK5的表达。
（后面是可以添加的实验部分）
7.CDK5在体外促进肺癌细胞的增殖能力
8.CDK5在体外促进肺癌细胞迁移
9.CDK5的抑制降低了CAP1磷酸化
篇幅不能太长，今天就到这了。今天讲的神器并不是一个工具，而是一种研究方案或者叫套路也行。
当然，你能想到的差异基因分析、通路注释、生存分析、富集分析、PPI互作、WGCNA分析，如果善于组合，也能成为一个好套路。但是这些名词太常见了，导师很容易不给过。
如果你有什么想法，可以联系小编；如果你想采购一个套路，也可以联系小编。
