Method Article

تحليل يعتمد على بيانات TCGA وبيانات الخلية الواحدة، مع أخذ TRPM4 كمثال

DOI:

10.3791/69304

⸱

December 5th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1The First Clinical Medical College, Nanjing Medical University, 2School of Pediatrics, Nanjing Medical University, 3Department of Neurology, The First Affiliated Hospital with Nanjing Medical University, 4Rehabilitation Medicine Center, The First Affiliated Hospital with Nanjing Medical University

* These authors contributed equally

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا، نقدم بروتوكولا لتحليل دور جين واحد بشكل شامل في سرطان المثانة (BLCA) استنادا إلى تحليل النسخ النصي وتحليل الخلية الواحدة، إلى جانب استخدام 101 خوارزمية تعلم آلة، لبناء نموذج تنبؤي للجين الواحد المذكور.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذا المقال، يتم تقديم طريقة تحليل تعتمد على مجموعات بيانات النسخ العامة ومجموعات بيانات الخلايا الواحدة، والتي يمكن استخدامها لوصف دور الجينات المفردة في الأورام بشكل شامل، بما في ذلك تشكيل البيئة الدقيقة المناعية للورم، وتشكيل الأنواع الجزيئية للورم، والتنبؤ بتشخيص مرضى الأورام. وفي الوقت نفسه، لا يمكن لإدخال بيانات الجين الواحد أن يتجنب فقط العشوائية والتباين الناتجة عن تحليل نسخ واحدة فقط، بل يسمح أيضا باستكشاف أعمق لأي مجموعات الخلايا المحددة يعبر عنها الجين، بالإضافة إلى مزيد من البحث في الدور الذي يلعبه الجين داخل المسار. نظرا لأن العديد من الباحثين قد لا يكونون ماهرين في تحليل الخلايا الأحادية، يتم تقديم موقع إلكتروني في هذا المقال المنهجي يسمى TISCH2 (http://tisch.compbio.cn/)، مما يساعد الجميع على إكمال تحليل الخلية الأحادية. بالإضافة إلى ذلك، لعب تطبيق 101 طريقة تعلم آلي دورا لا غنى عنه في بناء النموذج التنبؤي الأكثر دقة. في الختام، يعتقد أن هذه الطريقة المتكاملة لتحليل الجين الواحد التي تجمع بين تحليل المعلوماتية الحيوية، وتعلم الآلة، وتحليل الخلية الأحادية، يمكن أن تلعب دورا لا غنى عنه وحاسما في دراسة وظائف الجينات الفردية في تطور الورم، وكذلك في دراسة وظائف الجينات الفردية في المسارات.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كما نعلم جميعا، يعد سرطان المثانة (BLCA) من أكثر الأورام الخبيثة عدوانية وانتشارا في العالم، ولا تزال هناك مشاكل في العلامات الحيوية الحالية لسرطان المثانة، مثل عدم الدقةوما إلى ذلك. لتحديد توقعات مرضى BLCA والتنبؤ بنتائجهم، يعد البحث عن مؤشرات حيوية لسرطان المثانة وإنشاء نماذج تنبؤية ذا أهمية كبيرة. على الرغم من أن الناس طوروا بعض طرق البحث للعلامات الحيوية، إلا أن معظم هذه الطرق تقتصر حاليا على علم النسخ النصي، مما يؤدي حتما إلى التباين في العينات2. علاوة على ذلك، فإن دراسة بيانات علم النسخ وحده غالبا ما تفشل في دراسة الأدوار التي تلعبها مجموعات الخلايا الفرعية المختلفة، وكذلك وظائف الجينات في مسارات مختلفة على مستوى الخلية الواحدة، مما يجعل الأبحاث السابقة أقل دقة وفعالية3. نظرا لأن تحليل الخلايا الأحادية قد يكون تحديا للمبتدئين، تم تقديم منصة إلكترونية لتحليل الخلايا الأحادية لمساعدتهم على تعلم المهارات بسرعة4. وأخيرا وليس آخرا، حتى إذا وجد أن جين واحد مناسب ليكون علامة حيوية من خلال تحليل النسخ وتحليل الخلية الواحدة، فلا يوجد ضمان بأن المؤشر سيكون قابلا للتطبيق على جميع المجموعات، لذا من الضروري بناء نماذج تنبؤية مرتبطة بالعلامة الحيوية لجعل الاستنتاجات أكثر قابلية للتطبيق على مستوى الجميع5. تشير خوارزمية 101 لتعلم الآلة إلى بناء نموذج 101 نموذج توقع باستخدام مزيج من 10 خوارزميات تعلم آلي مختلفة، بهدف تحديد نموذج التوقعات الأمثل. أدى إدراج خوارزميات مثل الغابة العشوائية، XGBoost، وSVM، التي هي أكثر قدرة على التعامل مع البيانات المعقدة وتظهر استقرارا أكبر، إلى أن تظهر هذه الخوارزمية المشتركة استقرارا ملحوظا. ولجعل هذا النموذج التنبؤي أكثر دقة وصلة بالعلامة الحيوية، يتم أولا إجراء تحليل ارتباط بين جميع الجينات والمؤشر الحيوي، ثم يتم اختيار حوالي 20-30 جينا بناء على المتطلبات، ثم استخدام خوارزمية تعلم آلي 101 لبناء النموذج التنبؤي، تليها سلسلة من التحليلات لإنهاء النتائج.

مقارنة بالمؤشرات الحيوية التي تنبأت بها التحليلات البسيطة للنسخ فيالستة أيام الماضية، تسمح المؤشرات الحيوية لتحليل الخلايا الأحادية وتحليل النسخ بتقسيم غير متحيز للأنسجة أو العينات إلى مكوناتها الخلوية الأساسية. يتيح ذلك التمايز الواضح لأنواع الخلايا المختلفة (مثل الخلايا التائية، والخلايا البلعمية، والبلاعمية) واكتشاف مجموعات فرعية جديدة (مثل الخلايا التائية المستهلكة والخلايا التائية المنظمة)، بالإضافة إلى التقاط العمليات الديناميكية المستمرة (مثل مسارات تمايز الخلايا)4. يشبه ذلك ترتيب الفواكه والحليب بشكل منفصل، مما يسمح برؤية واضحة لكل مكون وكميته. مقارنة بنماذج كوكس7 ذات المجموعة الواحدة، فإن النموذج التنبؤي الذي تم بناؤه باستخدام تعلم الآلة 101 أكثر دقة وأكثر ملاءمة علميا، حيث يمكنه التعلم تلقائيا عن التفاعلات المعقدة وغير الخطية بين المتغيرات من البيانات. على سبيل المثال، قد يكون تأثير طفرة جينية محددة كبيرا فقط لدى المرضى من أعمار وأحجام أورام معينة. نماذج التعلم الآلي مثل الغابات العشوائية والشبكات العصبية يمكنها التقاط هذه التفاعلات عالية المستوى تلقائيا دون الحاجة إلى المواصفات اليدوية8. يجب أن تشمل قيود تطبيق الإشارات الرئيسية التي تستخدم مجموعة البيانات المستخدمة للتحليل الغالبية العظمى من الجينات، مع عدم وجود عدد الجينات منخفضا جدا، وعدد الجينات المستخدمة لبناء النماذج التنبؤية غير مرتفع جدا، والتي عادة ما تحافظ على حوالي 20-30، وهي الأمثل. يجب أن يكون معيار مراقبة الجودة لمجموعة الخلايا الفردية أكبر من 1000، وعدد الوحدات العضلية لكل خلية أكبر من 1000، وعدد الجينات لكل خلية أكبر من 5009.

هنا، تم توفير نهج خطوة بخطوة لتحديد العلامات الحيوية الجديدة من مجموعات بيانات النسخ النصي العامة ومجموعات بيانات الخلية الواحدة، مع أخذ دور TRPM4 في BLCA كمثال. تستخدم طرق بحثية متعددة ومجموعات بيانات متنوعة - بما في ذلك مجموعة بيانات سرطان أطلس المثانة لجينوم السرطان (TCGA-BLCA)، ومجموعات بيانات الخلية الواحدة GSE145281، ومجموعات بيانات BLCA GSE32894 و GSE31684 - لتعزيز دقة وقابلية تطبيق المؤشرات الحيوية في علم الأورام من وجهات نظر متعددة وتعزيز دراسة TRPM4 في BLCA. تم الحصول على مجموعة بيانات TCGA-BLCA من موقع جامعة كاليفورنيا، سانتا كروز زينا (UCSC Xena). تم تنزيل GSE32894 GSE31684 من Mass Gene Expression Omnibus (GEO)، وتم الحصول على بيانات خلية واحدة GSE145281 من مركز Tumor Immune Single-cell Hub 2 (TISCH2). بالإضافة إلى ذلك، تم استخراج بيانات عن الأنواع الجزيئية في BLCA واستجابات العلاج من ملفات جداول بيانات إضافية لمقال ذي صلة. ثم تجرى تحليلات المعلوماتية الحيوية، وتحليل الخلية الواحدة، وتعلم الآلة، مما يؤسس منهجية بحث متكاملة لجين واحد.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ملاحظة: جميع الرموز المستخدمة في هذا المقال يمكن العثور عليها على الموقع الإلكتروني https://github.com/YaoGeng-nmu/Analysis-of-TRPM4-based-on-TCGA-data-and-single-cell-data-in-BLCA/blob/main/code.

1. إعداد بيانات النسخات

  1. إعداد مجموعة بيانات TCGA-BLCA
    1. حمل جميع مجموعات بيانات TCGA من موقع UCSC Xena (https://xenabrowser.net/datapages/)10. مجموعات البيانات التي تم تنزيلها تتم معالجتها مسبقا، مما يلغي الحاجة إلى أعمال إضافية مثل التعليق الجيني11.
    2. اختر مجموعة بيانات TCGA ثم انقر على بيانات TCGA-BLCAt. ثم انتقل إلى صفحة مجموعة بيانات TCGA-BLCA، وانقر على تعبير الجين RNA-seq، وحمل البيانات السريرية وملفات تعريف التعبير الجيني من مجموعة بيانات TCGA-BLCA. في هذه المجموعة، تأكد من وجود 400 بيانات تعبير mRNA لمرضى BLCA في هذه المجموعة.
    3. لتمييز عينات الأورام عن عينات الأنسجة الطبيعية المجاورة، افصل العينات التي تحتوي على نهايات 01 و11 حيث تشير العينات التي تحتوي على 01 إلى عينات أورام، بينما تشير العينات التي تحتوي على 11 إلى أنسجة مجاورة للسرطان (عينات طبيعية).
  2. تحضير GSE32894 و GSE31684
    1. انقر على موقع GEO (https://www.ncbi.nlm.nih.gov) لتحميل مجموعة بيانات BLCA GSE32894 و GSE3168412،13.
    2. بعد النقر على الإدخالات المعنية في الزاوية العلوية اليمنى، تأكد من الانتقال إلى صفحات مجموعات البيانات GSE32894 و GSE31684.
    3. بعد ذلك، قم بتنزيل بيانات mRNA الخاصة بها، والبيانات السريرية، وبيانات البقاء الخاصة GSE32894. انقر على زر http في مجموعة البيانات GSE32894. أيضا، قم بتحميل بيانات منصة GPL6947 باستخدام زر المنصة. انقر على زر ملفات أو ملفات مصفوفة السلسلة وقم بتنزيل GSE32894 بعد الضغط على زر GSE32894_series_matrix.txt.gz عند تنزيل بيانات mRNA، والبيانات السريرية، وبيانات البقاء على قيد الحياة GSE32894.
    4. قم بتنزيل بيانات mRNA، والبيانات السريرية، وبيانات البقاء على قيد الحياة GSE31684. انقر على زر http في مجموعة البيانات GSE31684. أيضا، قم بتنزيل بيانات منصة GPL570 باستخدام زر المنصة. انقر على زر ملفات أو ملفات المصفوفة المتسلسلة وقم بتنزيل GSE31684 بعد الضغط على زر GSE31684_series_matrix.txt.gz عند تحميل بيانات mRNA، والبيانات السريرية، وبيانات البقاء على قيد الحياة ل GSE31684.
    5. في خطوة التصفية، قم بإزالة الجينات التي لا معنى لها، مثل تلك التي يكون مستوى التعبير لها صفرا أو قريبا من الصفر. استخدم طريقة ComBat المبنية على حزمة sva14 لتصحيح الدفعات.

2. تحضير تحليل الخلية الأحادية

  1. تحضير GSE145281
    1. لإجراء أبحاث على مستوى الخلية الواحدة، ابحث عن مجموعة بيانات BLCA لخلية واحدة، مع الأخذ في الاعتبار أن بيانات النسخ وحده غير كافية لتحديد أي مجموعة خلوية تعبر عن TRPM4 بشكل أكبر.
    2. هنا، اذهب إلى TISCH2 (http://tisch.compbio.cn/)، وهو موقع إلكتروني لتحليل الخلايا الأحادية للأورام.
    3. وفقا لاحتياجات التجريب، اختر نوع السرطان المطلوب، باستخدام BLCA كمثال في هذه الحالة.
    4. انقر على زر BLCA ، واختر مجموعة البيانات المسماة GSE145281.

3. إعداد الأنواع الجزيئية في BLCA والاستجابة لبيانات الخيارات العلاجية

  1. حمل بيانات الأنواع الجزيئية في BLCA والاستجابة للخيارات العلاجية من المقالة المشار إليها هنا15.
  2. افتح موقع PubMed (https://pubmed.ncbi.nlm.nih.gov/). ابحث عن المقال وانقر على الجداول الإضافية. يوجد ما مجموعه 18 ملفا في هذه الحزمة المضغوطة.

4. تحليل البيئة الدقيقة المناعية BLCA ل TRPM4

  1. رسم خريطة حرارية لتعبير 133 معدلا مناعيا في مجموعات TRPM4 المختلفة
    1. وفقا لتعبير TRPM4، قسم جميع عينات BLCA إلى مجموعة TRPM4 العالية ومجموعة TRPM4 المنخفضة.
    2. انسخ جميع أسماء العينات وبيانات تعبير TRPM4 بشكل منفصل، ثم فرزها حسب الترتيب التنازلي لتعبير TRPM4 ، وصنف النصف الأول من العينات إلى مجموعة عالية TRPM4 والنصف الثاني ضمن مجموعة Low-TRPM4 في عمود المجموعة وفقا لتعبير TRPM4 . جميع هويات مرضى TCGA-BLCA مدرجة في الجدول التكميلي 1.
    3. تثبيت حزم R المطلوبة لتحليل بيانات النسخ. قم بإجراء تعديلات طفيفة على الكود المقدم، مثل تغيير موقع الملف، ثم قم بتشغيل الكود. تحقق بعناية مما إذا كانت معرفات الجينات ومعرفات أجهزة التعديل المناعي متطابقة بشكل صحيح، لضمان عدم وجود فراغات أو عوامل غير ملحوظة أخرى بعد معرفات الجينات، حيث أن هذه هي الأسباب الرئيسية لفشل توليد خريطة الحرارة.
  2. التحليل العضلي والمناعي لعينات الأورام باستخدام حزمة ESTIMATE R
    1. تأكد من تثبيت جميع حزم R المطلوبة لتحليل بيانات النسخ النصي. وفقا لمتطلبات الكود، قم بتسمية البيانات المطلوبة بالأسماء المقابلة، ثم اضغط على زر التشغيل .
      ملاحظة: من المهم أن تتذكر أن هذا الموقع يقدم أيضا إمكانيات التحليل عبر الإنترنت. بينما من الممكن الحصول على النتائج المرجوة بزيارة الموقع الإلكتروني (https://bioinformatics.mdanderson.org/estimate/rpackage.html)، إلا أن هذه الطريقة غير مناسبة لتحليل البيانات التي تم جمعها ذاتيا.
    2. انقر على زر المرض واختر خيار سرطان المثانة الالتهابي الإبولي . ثم اختر زر منصة RNA-seq-V2 . قم بتحميل جميع العينات لدرجة البلعوض، ودرجة المناعة، ودرجة التقدير.
  3. رسم الكمان للتعبير بين مجموعات TRPM4 المختلفة
    1. قم بتثبيت جميع حزم R المطلوبة لتحليل بيانات النسخ. جميع حزم R المطلوبة مدرجة في الجدول التكميلي 2. وفقا لمتطلبات الكود، قم بتسمية البيانات المطلوبة بالأسماء المقابلة، ثم اضغط على زر التشغيل.
    2. تأكد من التحقق بعناية من إدخال معرفات الجينات بشكل صحيح، مع التأكد من عدم وجود فراغات أو عوامل غير ملحوظة في نهاية معرفات الجينات، حيث أن هذه هي الأسباب الرئيسية لفشل إنشاء مخططات الكمان.
  4. مخطط خريطة الحرارة المثلثية بين مجموعات TRPM4 المختلفة
    1. قم بتثبيت جميع حزم R المطلوبة لتحليل بيانات النسخ. تأكد من إعداد بيانات التعبير لعدة جينات نقاط تفتيش مناعية، مثل TIGIT وCD80. افتح بيانات النسخ المكتوبة من TCGA-BLCA ثم ابحث في كل إدخال بشكل فردي، نظرا لأن عدد جينات نقاط التحقق المناعية ليس كبيرا.
    2. وفقا لمتطلبات الكود، قم بتسمية البيانات المطلوبة بالأسماء المقابلة، ثم اضغط على زر التشغيل .
  5. مخطط الارتباط بين الجينات المختلفة وTRPM4
    1. قم بتثبيت جميع حزم R المطلوبة لتحليل بيانات النسخ. املأ TRPM4 كأول جين وأضف الجين الذي يتم بحثه كجين ثان، وهو CD3E في هذه الحالة.
    2. بعد الضغط على زر التشغيل ، تأكد من تغيير CD3E إلى جينات أخرى تحتاج إلى تحليل، مثل CTLA4.

5. تحليل خلية واحدة ل TRPM4 في مجموعة بيانات GSE145281

  1. تحليل مجموعات البيانات GSE145281 BLCA باستخدام تحليل الخلية المفردة
    1. ادخل الموقع الإلكتروني واضغط على BLCA. يسمح تحليل الخلية الأحادية باستكشاف أعمق لأي مجموعة خلوية تظهر تعبيرا عاليا ل TRPM4 مقارنة بتحليل النسخ النصي. تأكد من جمع بيانات تحليل الخلية الواحدة من GSE130001 وتحقق من معيار مراقبة الجودة بحيث يجب أن يكون عدد الخلايا لكل مجموعة بيانات أكبر من 1000، وعدد الوحدات الميكروفية لكل خلية يجب أن يكون أكبر من 1000، وعدد الجين لكل خلية يجب أن يكون أكبر من 500. يتم تحديد الجينات المعبر عنها بشكل تفاضلي لكل عنقود مقارنة بجميع الخلايا الأخرى بناء على تغير الطية المتحول إلى لوغاريتيم (|logFC| >= 0.25)، ويجب أن تكون دقة التجميع 0.5.
  2. توضيح الخلايا لمجموعات الخلايا المختلفة
    1. تأكد من أن جميع مجموعات الخلايا مشروحة. على سبيل المثال، يمكن توضيح الخلايا البائية بواسطة CD19، MS4A1، CD27، IGHD، IGHM، TCL1A، وFCRL5. جميع الجينات المستخدمة في توضيح الخلايا موجودة في الجدول التكميلي 3.
    2. ثم اختر GSE145281 وقم بتنزيل جميع نتائج TRPM4. انقر على زر الكلي، وقم بتحميل مخطط UMAP الذي يضم GSE145281 من العناقيد وأنواع الخلايا المختلفة.
    3. انقر على زر الجين واختر الجين الوحيد الذي سيتم تحليله. انقر على زر GSEA ولاحظ وظائف هذا الجين الواحد عبر مسارات مختلفة، مثل مسار KEGG ومسار هولمارك 16,17.
    4. انقر على زر CCI وابحث عن مخطط دردشة الخلية ومخطط فقاعة الدردشة الخلوية للمجموعة التي تعبر بشكل كبير عن جين واحد.
    5. انقر على زر إثراء TF لرؤية عامل النسخ المثري لكل مجموعة.

6. 101 تعلم الآلة لبناء نموذج تنبؤي مرتبط ب TRPM4

  1. قم بتثبيت جميع حزم R المطلوبة لتحليل بيانات النسخ. وبالنظر إلى أن نهج تعلم الآلة الواحد قد لا يكون دائما الطريقة المثلى للتنبؤ بالتشخيص، يمكن بناء نموذج توقع باستخدام 101 تقنية تعلم آلة. إجراء تحليل ارتباط بين جميع الجينات في مجموعة TCGA-BLCA ومجموعات GSE32894 و GSE31684 وTRPM4.
  2. استنادا إلى عدد الجينات المرتبطة بقوة ب TRPM4، اختر جميع الجينات التي ترتبط ارتباطها أكبر أو يساوي 0.6 أو أقل من أو يساوي -0.6 مع TRPM4. اختر جميع الجينات المرتبطة بقوة ب TRPM4 في جميع المجموعات.
  3. اجمع جميع البيانات من GSE32894 ومجموعات GSE31684 لتشكيل مجموعة تحقق واستخدم TCGA-BLCA كمجموعة تدريب.
  4. وفقا لمتطلبات الكود، قم بتسمية البيانات المطلوبة بالأسماء المقابلة، ثم اضغط على زر التشغيل .

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

من المعروف أن الفائدة الأساسية لاستخدام علم النسخ لتحليل البيئة الدقيقة المناعية للجينات الفردية هي أنه يسمح بوجود ارتباط مباشر بين الجينات الفردية والتفاعلات الديناميكية مع الخلايا والجزيئات المناعية على مستوى التعبير الجيني، مما يتيح الملاحظة المباشرة لخصائص المناعة وتحديد الفروق في نسبة الخلايا المناعية التي تتسلل بين مجموعات ذات تعبير مرتفع أو منخفض للجينات الفردية أو التغيرات في تعبير جزيئات نقطة التحقق المناعية18. النتائج الممثلة لتحليل المعلوماتية الحيوية ه...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في الدراسات السابقة، واجه تحليل المعلوماتية الحيوية للجينات الفردية غالبا مشكلات مثل السطحية، وعدم الدقة، والتطبيق المحدود19. علاوة على ذلك، كانت الأبحاث السابقة على الجينات المفردة عادة ما تقتصر على بيانات النسخ النصي. علاوة على ذلك، عند التركيز فقط على بيانات النسخ المكتوب، قد تظهر قضايا مثل تباين العينات والعشوائية، مما يصعب تحديد الأنماط العالمية20. لذلك، لمعالجة القضايا المذكورة أعلاه، تم تقديم بيانات خلية واحدة لفهم أفضل للدور الحاسم ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنهم لا يواجهون تضارب مصالح.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نود أن نشكر اتحاد BioBean Informatics على تطوير إطار تحليلي ذكي (متوفر على http://www.sxdyc.com/). وقد سرعت بنيتهم التحتية الحاسوبية المبتكرة سير العمل البحثي بشكل كبير من خلال التحليلات الدقيقة ووحدات تفسير البيانات الآلي.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
R 4.3.3لا شيءلا شيءلا شيء

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhang, C., et al. Identification of multicohort-based predictive signature for NMIBC recurrence reveals SDCBP as a novel oncogene in bladder cancer. Ann Med. 57 (1), 2458211(2025).
  2. Han, M. H., et al. Plasma GFAP and Amyloid Pathology Predict Cognitive Response to Multidomain Interventions in MCI. Aging Dis. , (2025).
  3. Xie, S., et al. Towards Precision Aging Biology: Single-Cell Multi-Omics and Advanced AI-Driven Strategies. Aging Dis. , (2025).
  4. Han, Y., et al. TISCH2: expanded datasets and new tools for single-cell transcriptome analyses of the tumor microenvironment. Nucleic Acids Res. 51 (D1), D1425-D1431 (2023).
  5. Yao, Y., et al. Advances in prognostic models for osteosarcoma risk. Heliyon. 10 (7), e28493(2024).
  6. Ding, X., et al. Glutamine metabolism reprogramming promotes bladder cancer progression via PYCR1: a multi-omics and functional validation study. J Transl Med. 23 (1), 1277(2025).
  7. Zhu, T., et al. Methylparaben and propylparaben promote bladder cancer invasion via MMP2 and PPARG modulation. Ecotoxicol Environ Saf. 306, 119383(2025).
  8. Xie, J. H., et al. Deciphering cutaneous melanoma prognosis through LDL metabolism: Single-cell transcriptomics analysis via 101 machine learning algorithms. Exp Dermatol. 33 (4), e15070(2024).
  9. Sun, D., et al. TISCH: a comprehensive web resource enabling interactive single-cell transcriptome visualization of tumor microenvironment. Nucleic Acids Res. 49 (D1), D1420-D1430 (2021).
  10. Cao, X., et al. D-Mannose Upregulates Testin via the NF-κB Pathway to Inhibit Breast Cancer Proliferation. J Biochem Mol Toxicol. 39 (8), e70398(2025).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Yu, Q., et al. GREM1 may be a biological indicator and potential target of bladder cancer. Sci Rep. 14 (1), 23280(2024).
  13. Wu, Q., et al. Membrane palmitoylated protein MPP1 inhibits immune escape by regulating the USP12/ CCL5 axis in urothelial carcinoma. Int Immunopharmacol. 146, 113802(2025).
  14. Johnson, W. E., Li, C., Rabinovic, A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 8 (1), 118-127 (2007).
  15. Hu, J., et al. Siglec15 shapes a non-inflamed tumor microenvironment and predicts the molecular subtype in bladder cancer. Theranostics. 11 (7), 3089-3108 (2021).
  16. Kanehisa, M., Sato, Y., Morishima, K. BlastKOALA and GhostKOALA: KEGG Tools for Functional Characterization of Genome and Metagenome Sequences. J Mol Biol. 428 (4), 726-731 (2016).
  17. Munkley, J., et al. Hallmarks of glycosylation in cancer. Oncotarget. 7 (23), 35478-35489 (2016).
  18. Da, Y., et al. A high stroma-tumor ratio is associated with an immunosuppressive tumor microenvironment and a poor prognosis in bladder cancer. Front Oncol. 15, 1604609(2025).
  19. Chen, C., et al. Bioinformatics Methods for Mass Spectrometry-Based Proteomics Data Analysis. Int J Mol Sci. 21 (8), 2873(2020).
  20. Jonauskaite, D., et al. Universal Patterns in Color-Emotion Associations Are Further Shaped by Linguistic and Geographic Proximity. Psychol Sci. 31 (10), 1245-1260 (2020).
  21. Zhu, W., et al. Integrated machine learning identifies epithelial cell marker genes for improving outcomes and immunotherapy in prostate cancer. J Transl Med. 21 (1), 782(2023).
  22. Zhao, J., et al. Bioinformatics prediction and experimental verification of key biomarkers for diabetic kidney disease based on transcriptome sequencing in mice. PeerJ. 10, e13932(2022).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

TCGA DataSingle Cell DataTRPM4 GeneTumor Immune MicroenvironmentTumor Molecular SubtypesPrognostic ModelMachine LearningBioinformatics AnalysisSingle Gene AnalysisTISCH2 Website

Related Articles