大家好，今天带大家一起读一篇多组学的文献。多组学的分析思路公众号也已经推过很多篇了，无非就是多组学整合做分组，然后研究免疫、耐药、分子分型等等的各种区别，以期找到有意义的marker或者深入研究的方向。通常多组学数据会整合：CNV、SNV、RNA、miRNA、甲基化等，当然这个也不是说数据也多越好，适合自己的才是好的。废话不多说了，看下这篇文献吧。Better prognostic determination and feature characterization of cutaneous melanoma through integrative genomic analysis  Published: July 18, 2019 aging这篇文章研究的是黑色素瘤，虽然整理看起来结果没有很优秀，但是作者还是严守数据，该做的分析也都做了，故事看起来还是比较完整的。一、数据下载作者所用数据来自TCGA RNA、miRNA、甲基化和临床信息，以及GEO（GSE19234、GSE22153、GSE53118，这三套主要是做免疫评分的）二、无监督聚类（测了好几种聚类方法）作者利用全部的RNA表达谱数据、miRNA表达谱数据、甲基化数据分别进行无监督聚类，同时整合在一起也做了无监督聚类。最后选择分为4类效果较好。三、计算差异表达基因利用DESeq计算黑色素瘤差异的基因，并进行富集分析。四、计算免疫评分利用基因表达数据，计算各个分组的免疫评分将样本分为预后较好，预后较差，无差异三组，计算免疫评分，同时利用三组独立数据来证明免疫评分与预后相关。作者还做了差异的基因跟免疫评分的相关性分析。五、差异甲基化分析和全基因组分布情况计算了黑色素瘤差异甲基化，富集分析，然后针对预后较好和预后较差在全基因上的分布情况进行了统计，发现确实有差异。六、突变分析这一部分内容作者放在了讨论部分，讨论了不同预后情况的分组在突变上是否有区别。这篇文章告诉我们，多组学分析的时候，如果多组学之后的cluster 跟临床的关系并不是十分密切的时候，也不要轻易放弃。类似作者这样调转枪口直接瞄准预后好和坏，直接找特点，简单粗暴，也不失为一种办法。重要的是一定要把自己分析的过程和探索的过程原原本本的展示出来。

欢迎关注

TCGA | 小工具 | 数据库 |组装| 注释 |   基因家族  |  Pvalue

基因预测  |bestorf |  sci | NAR | 在线工具 | 生存分析 | 热图

 生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos

 舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 |  进化 | 测序简史