Article de méthode

Analyse basée sur les données TCGA et les données monocellulaires, prenant TRPM4 comme exemple

DOI :

10.3791/69304

⸱

5 décembre 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

Dans cet article

Résumé

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

Ici, nous présentons un protocole pour analyser en profondeur le rôle d’un seul gène dans le cancer de la vessie (BLCA), basé sur l’analyse du transcriptome et l’analyse unicellulaire, ainsi que l’utilisation de 101 algorithmes d’apprentissage automatique, afin de construire un modèle pronostique pour le gène unique mentionné.

Résumé

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

Dans cet article, une méthode d’analyse est introduite basée sur des ensembles de données transcriptomiques publics et des ensembles de données unicellulaires, qui pourrait être utilisée pour décrire de manière exhaustive le rôle des gènes uniques dans les tumeurs, notamment la formation du microenvironnement immunitaire tumoral, la définition des sous-types moléculaires tumoraux et la prédiction du pronostic des patients tumoraux. Parallèlement, l’introduction de données sur un seul gène peut non seulement éviter l’aléa et l’hétérogénéité engendrées par l’analyse d’un seul transcriptome, mais aussi permettre une exploration plus approfondie des groupes spécifiques de cellules dans lesquels le gène s’exprime, ainsi que des recherches approfondies sur le rôle du gène dans la voie. Étant donné que de nombreux chercheurs ne sont peut-être pas compétents en analyse unicellulaire, un site web en ligne est introduit dans cet article de méthode, appelé TISCH2 (http://tisch.compbio.cn/), aidant ainsi tout le monde à terminer l’analyse unicellulaire. De plus, l’application de 101 méthodes d’apprentissage automatique a joué un rôle indispensable dans la construction du modèle pronostique le plus précis. En conclusion, on estime que cette méthode intégrée d’analyse d’un seul gène, combinant analyse bioinformatique, apprentissage automatique et analyse unicellulaire, peut jouer un rôle indispensable et crucial dans l’étude des fonctions des gènes uniques dans la progression tumorale, ainsi que dans l’étude des fonctions des gènes individuels dans les voies.

Introduction

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

Comme nous le savons tous, le cancer de la vessie (BLCA) est l’une des tumeurs malignes les plus agressives et métastatiques au monde, et il existe encore des problèmes avec les biomarqueurs actuels du cancer de la vessie, tels que l’imprécision,etc. 1. Pour identifier le pronostic des patients atteints de BLCA et prédire les résultats des patients atteints de BLCA, la recherche de biomarqueurs pour le cancer de la vessie et l’établissement de modèles pronostiques sont d’une grande importance. Bien que certains aient développé des méthodes de recherche pour les biomarqueurs, la plupart de ces méthodes sont actuellement limitées à la transcriptomique, ce qui conduit inévitablement à une hétérogénéité dans leséchantillons 2. De plus, l’étude seule des données transcriptomiques ne permet souvent pas d’étudier les rôles joués par les différentes sous-populations cellulaires, ainsi que les fonctions des gènes dans différentes voies au niveau unicellulaire, ce qui rend les recherches antérieures moins précises etefficaces 3. Étant donné que l’analyse unicellulaire peut être difficile pour les débutants, une plateforme en ligne a été mise en place pour l’analyse unicellulaire afin de les aider à acquérir rapidement lescompétences 4. Enfin, même si un seul gène est trouvé comme un biomarqueur approprié par analyse transcriptomique et analyse unicellulaire, rien ne garantit que le biomarqueur sera applicable à toutes les cohortes, il est donc nécessaire de construire des modèles pronostiques associés au biomarqueur pour rendre les conclusions plus universellementapplicables 5. L’algorithme 101 d’apprentissage automatique fait référence à la construction de modèles de pronostic 101 à l’aide d’une combinaison de 10 algorithmes différents d’apprentissage automatique, dans le but d’identifier le modèle de pronostic optimal. L’inclusion d’algorithmes tels que la forêt aléatoire, XGBoost et SVM, qui sont plus capables de traiter des données complexes et d’une plus grande stabilité, a permis à cet algorithme combiné de démontrer une stabilité remarquable. Afin de rendre ce modèle pronostique plus précis et pertinent pour le biomarqueur, une analyse de corrélation est d’abord réalisée entre tous les gènes et le biomarqueur, puis sélectionne environ 20 à 30 gènes selon les besoins, puis utilise un algorithme d’apprentissage automatique 101 pour construire le modèle pronostique, suivi d’une série d’analyses pour finaliser les résultats.

Comparés aux biomarqueurs prédits par une simple analyse transcriptomique dessix dernières années, les biomarqueurs de l’analyse unicellulaire et transcriptomique permettent une décomposition impartiale des tissus ou échantillons en leurs composants cellulaires de base. Elle permet la différenciation claire de différents types cellulaires (tels que les lymphocytes T, les cellules B et les macrophages) et la découverte de nouvelles sous-populations (telles que les lymphocytes T épuisés et les lymphocytes T régulateurs), ainsi que la capture de processus dynamiques continus (tels que les trajectoires de différenciation cellulaire)4. C’est comparable à disposer les fruits et le lait séparément, permettant une visualisation claire de chaque composant et de sa quantité. Comparé aux modèles deCox à cohorte unique 7, le modèle pronostique construit à partir de l’apprentissage automatique 101 est également plus précis et scientifiquement solide, car il peut automatiquement apprendre les interactions complexes et non linéaires entre les variables à partir des données. Par exemple, l’impact d’une mutation génétique spécifique pourrait n’être significatif que chez des patients de certains âges et tailles de tumeurs. Les modèles d’apprentissage automatique tels que les forêts aléatoires et les réseaux de neurones peuvent capturer automatiquement ces interactions de haut ordre sans nécessiter une spécificationmanuelle 8. Les contraintes clés d’applicabilité de signalisation que le jeu de données utilisé pour l’analyse doivent inclure la grande majorité des gènes, le nombre de gènes n’étant pas trop faible, et le nombre de gènes utilisés pour construire des modèles pronostiques n’étant pas trop élevé, généralement maintenu autour de 20-30, étant optimal. La norme de contrôle qualité de l’ensemble de cellules individuelles doit être supérieure à 1000, le nombre d’UMI par cellule supérieur à 1000, et le nombre de gènes par cellule supérieur à5009.

Ici, une approche étape par étape est proposée pour l’identification de nouveaux biomarqueurs à partir de jeux de données transcriptomiques publics et monocellulaires, prenant le rôle de TRPM4 dans le BLCA comme exemple. De multiples méthodes de recherche sont employées et divers ensembles de données — incluant le Cancer Genome Atlas-Bladder Cancer (TCGA-BLCA), le monocellulaire GSE145281 et les ensembles de données BLCA GSE32894 et GSE31684 — afin d’améliorer la précision et l’applicabilité des biomarqueurs en oncologie sous plusieurs angles et de faire progresser l’étude du TRPM4 dans le BLCA. Le jeu de données TCGA-BLCA a été obtenu sur le site web Xena de l’Université de Californie à Santa Cruz (UCSC Xena). GSE32894 et GSE31684 ont été téléchargés depuis l’Omnibus d’expression génique (GEO), et les données unicellulaires GSE145281 proviennent du Tumor Immune Single-Cell Hub 2 (TISCH2). De plus, des données sur les sous-types moléculaires de BLCA et les réponses au traitement ont été extraites à partir de fichiers de feuilles de calcul complémentaires d’un article pertinent. Des analyses bioinformatiques, des analyses unicellulaires et de l’apprentissage automatique sont ensuite menées, établissant une méthodologie intégrée de recherche sur un seul gène.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

REMARQUE : Tous les codes utilisés dans cet article sont disponibles sur le site web https://github.com/YaoGeng-nmu/Analysis-of-TRPM4-based-on-TCGA-data-and-single-cell-data-in-BLCA/blob/main/code.

1. Préparation des données transcriptomiques

  1. Préparation de l’ensemble de données TCGA-BLCA
    1. Téléchargez tous les ensembles de données TCGA depuis le site UCSC Xena (https://xenabrowser.net/datapages/)10. Les jeux de données téléchargés sont pré-traités, éliminant ainsi le besoin de travaux supplémentaires comme l’annotationgénique 11.
    2. Sélectionnez le jeu de données TCGA puis cliquez sur les données TCGA-BLCAt. Ensuite, allez sur la page du jeu de données TCGA-BLCA, cliquez sur RNA-seq d’expression génique, et téléchargez les données cliniques et les profils d’expression génique du jeu de données TCGA-BLCA. Dans cet ensemble de données, assurez-vous qu’il existe des données d’expression d’ARNm de 400 patients atteints de BLCA.
    3. Pour différencier les échantillons tumoraux des échantillons de tissus normaux adjacents, séparez les échantillons dont les terminaisons 01 et 11 indiquent des échantillons tumoraux, tandis que les échantillons avec 11 indiquent des tissus proches du cancer (échantillons normaux).
  2. Préparation de GSE32894 et GSE31684
    1. Cliquez sur le site web du GEO (https://www.ncbi.nlm.nih.gov) afin de télécharger les jeux de données BLCA GSE32894 et GSE3168412,13.
    2. Après avoir cliqué sur les entrées respectives en haut à droite, assurez-vous de passer aux pages pour les jeux de données GSE32894 et GSE31684.
    3. Ensuite, téléchargez les données correspondantes à ARNm, les données cliniques et les données de survie pour GSE32894. Cliquez sur le bouton http du jeu de données GSE32894. Téléchargez également les données GPL6947 plateforme en utilisant le bouton plateforme. Cliquez sur le bouton ou les fichiers de la matrice de série et téléchargez GSE32894 après avoir cliqué sur le bouton GSE32894_series_matrix.txt.gz lors du téléchargement des données d’ARNm, des données cliniques et de survie pour GSE32894.
    4. Téléchargez les données correspondantes d’ARNm, les données cliniques et les données de survie pour GSE31684. Cliquez sur le bouton http du jeu de données GSE31684. Téléchargez également les données de la plateforme GPL570 en utilisant le bouton de la plateforme. Cliquez sur le bouton Fichier de la matrice de séries et téléchargez GSE31684 après avoir cliqué sur le bouton GSE31684_series_matrix.txt.gz lors du téléchargement des données d’ARNm, des données cliniques et de survie pour GSE31684.
    5. Lors de l’étape de filtrage, retirez les gènes dénués de sens, comme ceux dont le niveau d’expression est nul ou proche de zéro. Utilisez la méthode ComBat, basée sur le packageSVA 14, pour la correction par lots.

2. Préparation de l’analyse unicellulaire

  1. Préparation de GSE145281
    1. Pour mener des recherches au niveau unicellulaire, trouvez le jeu de données BLCA unicellulaire, en considérant que les données transcriptomiques seules sont insuffisantes pour déterminer quel groupe cellulaire exprime TRPM4 de manière la plus significative.
    2. Ici, rendez-vous sur TISCH2 (http://tisch.compbio.cn/), un site web dédié à l’analyse unicellulaire des tumeurs.
    3. Selon les besoins expérimentaux, sélectionnez le type de cancer nécessaire, en prenant le BLCA comme exemple dans ce cas.
    4. Cliquez sur le bouton BLCA , choisissez le jeu de données appelé GSE145281.

3. Préparation des sous-types moléculaires du BLCA et données de réponse aux choix thérapeutiques

  1. Téléchargez les données concernant les sous-types moléculaires de la BLCA et leur réponse aux choix thérapeutiques de l’article mentionnéici 15.
  2. Ouvrez le site PubMed (https://pubmed.ncbi.nlm.nih.gov/). Recherchez l’article et cliquez sur les Tableaux complémentaires. Il y a un total de 18 fichiers dans ce package compressé.

4. Analyse du microenvironnement immunitaire BLCA de TRPM4

  1. Graphique thermique de l’expression de 133 immunomodulateurs dans différents groupes TRPM4
    1. Selon l’expression de TRPM4, divisez tous les échantillons de BLCA en groupe à haut TRPM4 et groupe à faible TRPM4 .
    2. Copiez séparément tous les noms d’échantillons et les données d’expression TRPM4 , puis triez-les dans l’ordre décroissant d’expression TRPM4 , et catégorisez la première moitié des échantillons dans le groupe à haut TRPM4 et la seconde moitié dans le groupe à faible TRPM4 dans la colonne du groupe selon l’expression TRPM4 . Les identifiants de tous les patients TCGA-BLCA sont listés dans le Tableau Supplémentaire 1.
    3. Installez les paquets R nécessaires pour l’analyse transcriptomique. Apportez de légères modifications au code fourni, comme changer l’emplacement du fichier, puis exécutez le code. Vérifiez soigneusement que les identifiants des gènes et ceux des immunomodulateurs sont correctement correspondants, en veillant à ce qu’il n’y ait pas d’espaces ni autres facteurs discrets après les identifiants génétiques, car ce sont les causes principales de l’échec de la génération de la carte thermique.
  2. Analyse stromale et immunologique des échantillons tumoraux utilisant le package ESTIMATE R
    1. Assurez-vous que tous les packages R nécessaires à l’analyse des données transcriptomiques sont installés. Selon les exigences du code, nommer les données requises avec les noms correspondants, puis cliquer sur le bouton Exécuter .
      REMARQUE : Il est important de se rappeler que ce site propose également des capacités d’analyse en ligne. Bien qu’il soit possible d’obtenir les résultats souhaités en visitant le site web (https://bioinformatics.mdanderson.org/estimate/rpackage.html), cette méthode n’est pas adaptée à l’analyse de données auto-collectées.
    2. Cliquez sur le bouton Maladie et choisissez l’option carcinome urothélial de la vessie . Ensuite, sélectionnez le bouton de plateforme RNA-seq-V2 . Téléchargez tous les scores stromal, immunitaires et estimatifs de tous les échantillons.
  3. Graphique du violon de l’expression entre différents groupes TRPM4
    1. Installez tous les packages R nécessaires à l’analyse des données transcriptomiques. Tous les paquets R nécessaires sont listés dans le Tableau Supplémentaire 2. Selon les exigences du code, nommer les données requises avec les noms correspondants, puis cliquer sur le bouton Exécuter.
    2. Veillez à vérifier soigneusement que les identifiants génétiques sont correctement saisis, afin de veiller à ne pas y avoir d’espaces ni autres facteurs discrets à la fin des identifiants génétiques, car ce sont les principales causes d’échecs dans la création des diagrammes de violon.
  4. Graphique de la carte thermique triangulaire entre différents groupes TRPM4
    1. Installez tous les packages R nécessaires à l’analyse transcriptomique des données. Veillez à préparer les données d’expression de plusieurs gènes de points de contrôle immunitaires, tels que TIGIT et CD80. Ouvrez les données du transcriptome TCGA-BLCA puis parcourez chaque entrée individuellement, étant donné que le nombre de gènes de points de contrôle immunitaires n’est pas très important.
    2. Selon les exigences du code, nommer les données requises avec les noms correspondants, puis cliquer sur le bouton Exécuter .
  5. Graphique de corrélation entre différents gènes et TRPM4
    1. Installez tous les packages R nécessaires à l’analyse transcriptomique des données. Remplissez TRPM4 comme premier gène et ajoutez le gène étudié comme le second gène, qui est CD3E dans ce cas.
    2. Après avoir cliqué sur le bouton Exécuter , assurez-vous de changer CD3E pour d’autres gènes à analyser, comme CTLA4.

5. Analyse unicellulaire de TRPM4 dans le jeu de données GSE145281

  1. Analyse de GSE145281 de jeux de données BLCA utilisant l’analyse unicellulaire
    1. Entrez sur le site web et cliquez sur BLCA. L’analyse unicellulaire permet une exploration plus approfondie du groupe cellulaire présentant une forte expression de TRPM4 par rapport à l’analyse transcriptomique. Assurez-vous que les données d’analyse d’une seule cellule sont collectées à partir de GSE130001 et vérifiez selon la norme de contrôle qualité que le nombre de cellules par jeu de données doit être supérieur à 1000, le nombre d’UMI par cellule supérieur à 1000, et le nombre de gènes par cellule supérieur à 500. Les gènes exprimés différemment de chaque groupe par rapport à toutes les autres cellules sont identifiés sur la base du changement de pli transformé en logarthmique (|logFC| >= 0,25), et la résolution de regroupement devrait être de 0,5.
  2. Annotation de cellules pour différents groupes de cellules
    1. Assurez-vous que tous les groupes de cellules sont annotés. Par exemple, les cellules B peuvent être annotées par CD19, MS4A1, CD27, IGHD, IGHM, TCL1A et FCRL5. Tous les gènes utilisés pour l’annotation cellulaire se trouvent dans le Tableau Supplémentaire 3.
    2. Ensuite, choisissez GSE145281 et téléchargez tous les résultats de TRPM4. Cliquez sur le bouton Général et téléchargez le graphique UMAP de GSE145281 de différents groupes et types cellulaires.
    3. Cliquez sur le bouton Gene et choisissez le gène unique qui va être analysé. Cliquez sur le bouton GSEA et observez les fonctions de ce gène unique à travers diverses voies, telles que la voie KEGG et la voieHallmark 16,17.
    4. Cliquez sur le bouton CCI et trouvez le graphique du chat cellulaire et le graphique du bulle du groupe exprimant fortement un seul gène.
    5. Cliquez sur le bouton d’enrichissement TF pour voir le facteur de transcription enrichi pour chaque cluster.

6. 101 Apprentissage automatique pour construire un modèle pronostique lié à TRPM4

  1. Installez tous les packages R nécessaires à l’analyse des données transcriptomiques. Étant donné qu’une approche unique d’apprentissage automatique n’est pas toujours la méthode optimale pour prédire le pronostic, un modèle de pronostic peut être construit en utilisant des techniques d’apprentissage automatique 101. Réaliser une analyse de corrélation entre tous les gènes de la cohorte TCGA-BLCA et les cohortes GSE32894 et GSE31684 ainsi que TRPM4.
  2. En fonction du nombre de gènes fortement associés à TRPM4, on sélectionne tous les gènes ayant une corrélation supérieure ou égale à 0,6 ou inférieure ou égale à -0,6 avec TRPM4. Sélectionnez tous les gènes fortement associés à TRPM4 dans toutes les cohortes.
  3. Combinez toutes les données des cohortes GSE32894 et GSE31684 pour former un ensemble de validation et utilisez TCGA-BLCA comme ensemble d’entraînement.
  4. Selon les exigences du code, nommer les données requises avec les noms correspondants, puis cliquer sur le bouton Exécuter .

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Il est bien connu que l’avantage fondamental de l’utilisation de la transcriptomique pour analyser le microenvironnement immunitaire des gènes individuels est qu’elle permet une corrélation directe entre les gènes individuels et les interactions dynamiques avec les cellules et molécules immunitaires au niveau de l’expression génique, permettant l’observation directe des caractéristiques immunitaires et l’identification des différences dans la proportion de cellules immunitaires infiltran...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Dans des études antérieures, l’analyse bioinformatique de gènes individuels rencontrait souvent des problèmes tels que la superficialité, l’inexactitude et une applicabilitélimitée 19. De plus, les recherches antérieures sur des gènes uniques se sont généralement limitées aux données transcriptomés. De plus, lorsqu’on se concentre uniquement sur les données transcriptomés, des problèmes tels que l’hétérogénéité et l’aléa de l’échantillon peuvent survenir, rendant ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

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

Nous tenons à remercier le BioBean Informatics Consortium pour avoir développé un cadre analytique intelligent (disponible à http://www.sxdyc.com/). Leur infrastructure informatique innovante a considérablement accéléré le flux de travail de la recherche grâce à des modules d’analyse de précision et d’interprétation automatisée des données.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
R 4.3.3aucunaucunaucun

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

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

Articles connexes