文獻復現之一篇鐵死亡生信文章（1） - 簡書
https://www.jianshu.com/p/b1f4200a4520
方法
GSEA
對高鐵死亡和低鐵死亡組進行GSEA分析。 具有p值<0.05和假髮現率（FDR）<0.05的通路被認爲是顯着富集的。 選擇“c2.cp.kegg.v7.1.symbols”作爲參考。
計算惡性腫瘤組織中的基質和免疫細胞
通過estimate算法，得到了樣本的基質分數，免疫分數，腫瘤純度。 隨後比較了高低兩組之間的腫瘤純度，基質分數和免疫分數的差異。
藥物敏感性預測
使用GDSC數據庫估計每位患者對化療藥物的敏感性。使用pR Rophetic包量化半最大抑制濃度（IC50）。
評估腫瘤突變負荷（TMB）和免疫檢查點抑制劑（ICB）
突變數據由MAF註釋和可視化。由下列公式計算每位患者的TMB值：TMB =（變體總數）/（整個外顯子的長度）。通過TIDE網站的Tumor immune dysfunction and Exclusion預測ICB反應。對高和低鐵死亡分數組的TIDE分數進行比較。 此外，兩組黑色素瘤患者對PD1或CTLA4抗體藥物的反應也被預測了。
篩選小分子藥物
在高鐵死亡和低鐵死亡評分組之間識別差異基因。FDR <0.05和| FC | ≥1.5爲閾值，並使用heatmap和valcono圖將差異基因可視化。使用clusterprofiler進行 Go和Kegg富集分析。Adjusted P <0.05爲統計學顯着富集的通路。up和down regulated基因上傳到CMAP數據庫。候選小分子藥物和作用機制由CMAP（MOA）分析得到。
外部數據集驗證
pRCC（n = 325）和chRCC（n = 93）被選爲驗證數據集。鐵死亡分數的預後價值在這兩個數據集中驗證。此外，兩個抗PD-L1免疫療法隊列GSE78220和IMVigor210也被用於驗證。
統計分析
通過R語言（4.0.2）進行統計分析。Wilcoxon Rank-Sum用於兩組比較，Kruskal-Wallis用於多組比較。 每個組的cutoff點由Survminer包識別。 利用多元COX迴歸分析來評估臨牀病理特徵與OS和DFS的關係。 P值由Bonferroni矯正。Two-sided P <0.05被認爲是統計學上顯着的。