我們在研究基因對於某一個疾病預後是否有影響的時候。最直接的就是單純的做這個基因對所有患者的預後分析。如果預後有意義，就說明這個基因影響疾病的預後。如果沒有意義就說明這個基因不重要的嘛？當然也不是的。疾病的發展是一個多基因多因素相互影響的結果。如果這個基因對於所有患者預後沒意義的話，有可能這個基因在某些藥物治療下可能就影響預後了，或者說這個基因和另外一個基因存在相互作用關係。在另外一個基因激活的情況話，這個基因就影響預後了。因此，我們在發現一個基因對於預後沒有意義的時候，也不能說這個基因沒意義了，可以繼續嘗試做一些進一步交互性的分析。
在腫瘤分析當中，單純分析一個基因的預後分析的話，很多網站都可以來實現，例如GEPIA, UALCAN這些經典的數據庫都可以做。但是如果要進行這樣亞組的分析的話，這些網站就不行了。所以進行就介紹可以進行交互行的預後分析數據庫：siGCD([http://sigcd.idrug.net.cn/Home])。這個數據庫可以分析基因、細胞以及藥物之間相互性的預後分析
基本分析算法
數據庫主要是基於RNA-seq的數據來進行後續的預後分析的。
對於基因的分析，就是直接使用目標基因的表達量進行分析即可。而對於細胞浸潤以及藥物相關的分析，則需要對RNA-seq的數據進行轉換一下。
在細胞分析當中，我們需要輸入和這個細胞相關的陽性基因和陰性基因。基於這些輸入基因的表達量來進行來轉換成細胞的表達量。
這裏數據庫使用的轉化公式是：（陽性基因的表達量和-陰性基因表達量的和）/陽性基因和陰性基因的總個數。
而對於藥物的評分，主要是通過輸入藥物的靶標基因來進行轉換。具體轉換公式則是:藥物靶標基因的表達量和/藥物靶標基因個數。
背景數據集介紹
siGCD數據庫內置的是TCGA數據庫當中的RNA-seq的數據。如果是想要分析TCGA的數據的話，可以直接是有數據庫來進行分析。同時數據庫還提供了自定義數據上傳的功能。因此如果有自己的測序數據的話，就可以自己上傳數據來進行額外的分析了。具體上傳怎麼樣的數據集。數據庫也給了具體的介紹([http://sigcd.idrug.net.cn/CustomData])。
數據庫操作
數據輸入
在數據庫的操作方面，我們只需要基於自己的目的選擇不同的分析模塊即可。這裏我們就是用cell-gene模塊進行演示。
在細胞名稱方面，數據庫裏面有一些預先加載的免疫相關的相關基因。如果是做免疫方面的細胞的話，可以在裏面搜索一下看看有沒有。
如果沒有自己想要的，則可以輸入自己定義的基因。
這裏其實就是輸入一個基因集即可
另外，我們還需要輸入想要分析的基因。這裏可以輸入多個想要分析的基因。這裏我們輸入一個基因來進行分析。
最後就是選擇分析的數據集，這裏可以選擇使用TCGA的數據還是自己的數據。同時對於臨牀的常見風險因子(性別、年齡以及TNM分期)是否要納入到分析。
在選擇完之後，我們點擊Submit即可。
結果展示
結果展示部分，首先展示的是目標細胞和分析的基因相關性的分析。這裏使用了perason相關。
結果首先通過表格展示了目標細胞和每個基因相關分析的結果，同時點擊具體的基因可以在右側展示具體的散點圖。
除了相關分析之後，還展示了在細胞和基因協同性以及不同亞組的預後分析。
在這裏有一個Z得分。Z得分爲正代表目標細胞和基因對患者生存結局具有協同相互作用，這意味着目標細胞的高值將增加另一個基因的危害。另一方面，Z得分爲負的變量對對患者的生存結局具有拮抗作用。例如，例子分析的結果就是負的。代表細胞和IL15存在拮抗作用。
再往下就可以分析目標細胞和目標基因之間的亞組預後分析了。這裏提供了細胞基於基因的亞組預後，基因基於細胞的亞組預後，以及兩者的聯合預後。
由於前兩者都差不多，我們這裏就說一下基因基於細胞的預後。之前在介紹預後分析的時候，我們提到過如果使用KM方法進行預後的話，首先需要把基因的連續性表達數據分成二分類數據。在這個方面，數據庫是通過中位值這個最經典的區分方法來進行劃分的。
在結果展示部分，數據庫首先展示了，基因總體的預後情況。
同時基於細胞表達量的中位值分成了高低兩組，然後分別看高低兩組之間，基因的預後是否有差異。
上面的例子就是一個很經典的，總體預後沒有差異。但是基於某一個基因集的亞組當中預後就有差異的例子。
除了亞組觀察預後。還可以把兩個因素聯合起來觀察預後是否有差異。
總的來說
以上就是這個數據庫的基本使用了。基本上，如果要研究一個基因的預後。在預後沒有意義的情況話，也可以進行額外的挖掘。萬一真的能發現這個基在某一個分組當中特別有意義，比如免疫治療。那說不準真的可以當某一個特定分組的marker呢。