文献复现之一篇铁死亡生信文章（1） - 简书
https://www.jianshu.com/p/b1f4200a4520
方法
GSEA
对高铁死亡和低铁死亡组进行GSEA分析。 具有p值<0.05和假发现率（FDR）<0.05的通路被认为是显着富集的。 选择“c2.cp.kegg.v7.1.symbols”作为参考。
计算恶性肿瘤组织中的基质和免疫细胞
通过estimate算法，得到了样本的基质分数，免疫分数，肿瘤纯度。 随后比较了高低两组之间的肿瘤纯度，基质分数和免疫分数的差异。
药物敏感性预测
使用GDSC数据库估计每位患者对化疗药物的敏感性。使用pR Rophetic包量化半最大抑制浓度（IC50）。
评估肿瘤突变负荷（TMB）和免疫检查点抑制剂（ICB）
突变数据由MAF注释和可视化。由下列公式计算每位患者的TMB值：TMB =（变体总数）/（整个外显子的长度）。通过TIDE网站的Tumor immune dysfunction and Exclusion预测ICB反应。对高和低铁死亡分数组的TIDE分数进行比较。 此外，两组黑色素瘤患者对PD1或CTLA4抗体药物的反应也被预测了。
筛选小分子药物
在高铁死亡和低铁死亡评分组之间识别差异基因。FDR <0.05和| FC | ≥1.5为阈值，并使用heatmap和valcono图将差异基因可视化。使用clusterprofiler进行 Go和Kegg富集分析。Adjusted P <0.05为统计学显着富集的通路。up和down regulated基因上传到CMAP数据库。候选小分子药物和作用机制由CMAP（MOA）分析得到。
外部数据集验证
pRCC（n = 325）和chRCC（n = 93）被选为验证数据集。铁死亡分数的预后价值在这两个数据集中验证。此外，两个抗PD-L1免疫疗法队列GSE78220和IMVigor210也被用于验证。
统计分析
通过R语言（4.0.2）进行统计分析。Wilcoxon Rank-Sum用于两组比较，Kruskal-Wallis用于多组比较。 每个组的cutoff点由Survminer包识别。 利用多元COX回归分析来评估临床病理特征与OS和DFS的关系。 P值由Bonferroni矫正。Two-sided P <0.05被认为是统计学上显着的。