Methodenartikel

Analyse gebaseerd op TCGA-gegevens en single-cell data, met TRPM4 als voorbeeld

DOI:

10.3791/69304

⸱

5 december 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 dit artikel

Samenvatting

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

Hier presenteren we een protocol om de rol van één enkel gen grondig te analyseren bij blaaskanker (BLCA) op basis van transcriptoomanalyse en single-cel analyse, samen met het gebruik van 101 machine learning-algoritmen, om een prognostisch model te bouwen voor het genoemde enkele gen.

Samenvatting

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

In dit artikel wordt een analysemethode geïntroduceerd op basis van openbare transcriptomische datasets en single-cell datasets, die gebruikt kunnen worden om de rol van individuele genen in tumoren uitgebreid te beschrijven, waaronder het vormgeven van het tumorimmuunmicro-omgeving, het vormen van tumormoleculaire subtypes en het voorspellen van de prognose van tumorpatiënten. Tegelijkertijd kan de introductie van gegevens van één gen niet alleen de willekeur en heterogeniteit die ontstaan door de analyse van een enkel transcriptoom voorkomen, maar ook een diepere verkenning mogelijk maken van in welke specifieke clusters cellen het gen tot expressie komt, evenals verder onderzoek naar de rol die het gen speelt binnen de route. Aangezien veel onderzoekers mogelijk niet bedreven zijn in single-cel analyse, wordt in dit methode-artikel een online website geïntroduceerd, genaamd TISCH2 (http://tisch.compbio.cn/), waarmee iedereen wordt geholpen de single-cell analyse te voltooien. Daarnaast heeft de toepassing van 101 machine learning-methoden een onmisbare rol gespeeld bij het construeren van het meest nauwkeurige prognostische model. Concluderend wordt aangenomen dat deze geïntegreerde enkel-gen-analysemethode, die bio-informatica-analyse, machine learning en single-cell analyse combineert, een onmisbare en cruciale rol kan spelen in het bestuderen van de functies van individuele genen in tumorprogressie, evenals in het onderzoek naar de functies van individuele genen in routes.

Inleiding

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

Zoals we allemaal weten, is blaaskanker (BLCA) een van de meest agressieve en uitgezaaide kwaadaardige tumoren ter wereld, en er zijn nog steeds problemen met de huidige biomarkers voor blaaskanker, zoals onnauwkeurigheidenzovoort. Om de prognose van BLCA-patiënten te bepalen en de uitkomsten van BLCA-patiënten te voorspellen, zijn het zoeken naar biomarkers voor blaaskanker en het opstellen van prognostische modellen van groot belang. Hoewel mensen enkele onderzoeksmethoden voor biomarkers hebben ontwikkeld, zijn de meeste van deze methoden momenteel beperkt tot transcriptomics, wat onvermijdelijk leidt tot heterogeniteit in monsters2. Bovendien faalt het bestuderen van transcriptomica-gegevens vaak niet om de rollen van verschillende celsubpopulaties te onderzoeken, evenals de functies van genen in verschillende routes op enkelcelniveau, wat eerder onderzoek minder nauwkeurigen effectief maakt. Aangezien single-cell analyse voor beginners uitdagend kan zijn, is er een online platform geïntroduceerd voor single-cell analyse om hen te helpen de vaardigheden snel te leren4. Last but not least, zelfs als één gen via transcriptoomanalyse en single-cel analyse een geschikte biomarker blijkt te zijn, is er geen garantie dat de biomarker toepasbaar zal zijn op alle cohorten, dus is het noodzakelijk om prognostische modellen te construeren die bij de biomarker horten om de conclusies universeler toepasbaar te maken5. Het 101 machine learning-algoritme verwijst naar de constructie van 101 prognosemodellen met behulp van een combinatie van 10 verschillende machine learning-algoritmen, met als doel het optimale prognosemodel te identificeren. De opname van algoritmen zoals random forest, XGBoost en SVM, die beter in staat zijn om complexe data te verwerken en meer stabiliteit vertonen, heeft ertoe geleid dat dit gecombineerde algoritme opmerkelijke stabiliteit aantoont. Om dit prognostische model nauwkeuriger en relevanter te maken voor de biomarker, wordt eerst een correlatieanalyse uitgevoerd tussen alle genen en de biomarker, waarna ongeveer 20-30 genen worden geselecteerd op basis van de vereisten, en vervolgens een 101 machine learning-algoritme wordt gebruikt om het prognostische model te bouwen, gevolgd door een reeks analyses om de resultaten af te ronden.

In vergelijking met de biomarkers die door eenvoudige transcriptomics-analyse van de afgelopen6 werden voorspeld, maken de biomarkers van single-cell en transcriptomics-analyse een onbevooroordeelde ontleding van weefsels of monsters in hun basale cellulaire componenten mogelijk. Het maakt de duidelijke differentiatie van verschillende celtypen mogelijk (zoals T-cellen, B-cellen en macrofagen) en de ontdekking van nieuwe subpopulaties (zoals uitgeputte T-cellen en regulerende T-cellen), evenals de vangst van continue dynamische processen (zoals celdifferentiatietrajecten)4. Het is vergelijkbaar met het apart rangschikken van fruit en melk, waardoor je elk onderdeel en de hoeveelheid duidelijk kunt visualiseren. In vergelijking met Cox-modellen7 in één cohort is het prognostische model dat is opgebouwd met 101 machine learning ook nauwkeuriger en wetenschappelijk solide, omdat het automatisch uit de data kan leren over de complexe, niet-lineaire interacties tussen variabelen. Zo kan de impact van een specifieke genetische mutatie alleen significant zijn bij patiënten van bepaalde leeftijden en tumorgroottes. Machine learning-modellen zoals random forests en neurale netwerken kunnen deze interacties van hoge orde automatisch vastleggen zonder dat er handmatige specificatie8 nodig is. De signaalsleuteltoepassingsbeperkingen die de dataset voor de analyse gebruikt, moeten de overgrote meerderheid van de genen omvatten, waarbij het aantal genen niet te laag is en het aantal genen dat wordt gebruikt voor het construeren van prognostische modellen niet te hoog is, doorgaans rond de 20-30, wat optimaal is. De kwaliteitscontrolestandaard van de single cell set moet hoger zijn dan 1000, het UMI-aantal per cel hoger dan 1000, en het genaantal per cel moet hoger zijn dan 5009.

Hier wordt een stapsgewijze aanpak geboden voor de identificatie van nieuwe biomarkers uit openbare transcriptomische datasets en single-cell datasets, waarbij de rol van TRPM4 in BLCA als voorbeeld wordt genomen. Er worden meerdere onderzoeksmethoden gebruikt en diverse datasets – waaronder de Cancer Genome Atlas-Bladder Cancer (TCGA-BLCA) dataset, single-cell dataset GSE145281 en BLCA datasets GSE32894 en GSE31684 – om de precisie en toepasbaarheid van biomarkers in de oncologie vanuit meerdere perspectieven te verbeteren en de studie van TRPM4 in BLCA te bevorderen. De TCGA-BLCA dataset is verkregen van de website van de University of California, Santa Cruz Xena (UCSC Xena). GSE32894 en GSE31684 werden gedownload van de Gene Expression Omnibus (GEO), en single-cel data GSE145281 afkomstig was van Tumor Immune Single-Cell Hub 2 (TISCH2). Daarnaast werden gegevens over BLCA-moleculaire subtypes en behandelingsresponsen gehaald uit aanvullende spreadsheetbestanden van een relevant artikel. Bio-informatica-analyse, single-cell analyse en machine learning worden vervolgens uitgevoerd, waarmee een geïntegreerde single-gene onderzoeksmethodologie wordt vastgesteld.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

OPMERKING: Alle codes die in dit artikel worden gebruikt, zijn te vinden op de website https://github.com/YaoGeng-nmu/Analysis-of-TRPM4-based-on-TCGA-data-and-single-cell-data-in-BLCA/blob/main/code.

1. Voorbereiding van transcriptomics-gegevens

  1. Voorbereiding van de TCGA-BLCA dataset
    1. Download alle TCGA-datasets van de website UCSC Xena (https://xenabrowser.net/datapages/)10. De gedownloade datasets zijn vooraf bewerkt, waardoor extra werk zoals genannotatie11 overbodig is.
    2. Selecteer de TCGA-dataset en klik vervolgens op de TCGA-BLCA dataset. Ga vervolgens naar de pagina van de TCGA-BLCA dataset, klik op Gene Expression RNA-seq en download de klinische gegevens en genexpressieprofielen uit de TCGA-BLCA dataset. Zorg er in deze dataset voor dat er mRNA-expressiegegevens van 400 BLCA-patiënten zijn.
    3. Om tumormonsters te onderscheiden van aangrenzende normale weefselmonsters, scheid je de monsters met de uiteinden 01 en 11, aangezien monsters met 01 tumormonsters aangeven, terwijl monsters met 11 kankergerelateerde weefsels (normale monsters) aangeven.
  2. Bereiding van GSE32894 en GSE31684
    1. Klik op de GEO-website (https://www.ncbi.nlm.nih.gov) om de BLCA-dataset GSE32894 en GSE3168412,13 te downloaden.
    2. Na het klikken op de Respectievelijke Vermeldingen rechtsboven, zorg ervoor dat je naar de pagina's voor datasets GSE32894 en GSE31684 gaat.
    3. Download vervolgens de respectievelijke mRNA-gegevens, klinische gegevens en overlevingsgegevens voor GSE32894. Klik op de http-knop van de GSE32894 dataset. Download ook de GPL6947 platformgegevens met de platformknop. Klik op de Series Matrix File(s)- knop en download GSE32894 nadat je op de GSE32894_series_matrix.txt.gz-knop hebt geklikt bij het downloaden van mRNA-gegevens, klinische gegevens en overlevingsgegevens voor GSE32894.
    4. Download de respectievelijke mRNA-gegevens, klinische gegevens en overlevingsgegevens voor GSE31684. Klik op de http-knop van de GSE31684 dataset. Download ook de GPL570-platformgegevens met de platformknop. Klik op de Series Matrix File(s)- knop en download GSE31684 nadat je op de GSE31684_series_matrix.txt.gz-knop hebt geklikt bij het downloaden van mRNA-gegevens, klinische gegevens en overlevingsgegevens voor GSE31684.
    5. In de filterstap verwijder je betekenisloze genen, zoals die met een expressieniveau van nul of bijna nul. Gebruik de ComBat-methode, die gebaseerd is op het sva-pakket14, voor batchcorrectie.

2. Voorbereiding van single-cell analyse

  1. Bereiding van GSE145281
    1. Om onderzoek op enkelcelniveau te doen, vind je de BLCA enkelceldataset, aangezien transcriptoomgegevens alleen onvoldoende zijn om te bepalen welke celcluster TRPM4 het meest significant tot expressie brengt.
    2. Ga hier naar TISCH2 (http://tisch.compbio.cn/), een online website voor eencelanalyse van tumoren.
    3. Kies volgens de experimentele behoeften het benodigde kankertype , waarbij je in dit geval BLCA als voorbeeld gebruikt.
    4. Klik op de BLCA-knop en kies de dataset genaamd GSE145281.

3. Voorbereiding van de moleculaire subtypes van BLCA en responsgegevens op therapeutische keuzes

  1. Download de gegevens over de moleculaire subtypes en respons van BLCA op therapeutische keuzes uit het hier genoemde artikel15.
  2. Open de PubMed-website (https://pubmed.ncbi.nlm.nih.gov/). Zoek naar het artikel en klik op Aanvullende Tabellen. Er zitten in totaal 18 bestanden in dit gecomprimeerde bestandspakket.

4. BLCA immuunmicro-omgeving analyse van TRPM4

  1. Heatmap-plot van de expressie van 133 immunomodulatoren in verschillende TRPM4-groepen
    1. Volgens de expressie van TRPM4 worden alle BLCA-monsters verdeeld in de groep met hoog TRPM4 en de groep met laag TRPM4 .
    2. Kopieer alle voorbeeldnamen en TRPM4-expressiegegevens apart, sorteer ze vervolgens in aflopende volgorde van TRPM4-expressie , en categoriseer de eerste helft van de monsters in de High-TRPM4-groep en de tweede helft in de Low-TRPM4-groep in de groepkolom volgens TRPM4-expressie . Alle ID's van TCGA-BLCA-patiënten zijn vermeld in Aanvullende Tabel 1.
    3. Installeer R-pakketten die nodig zijn voor de transcriptomische data-analyse. Breng kleine aanpassingen aan in de meegeleverde code, zoals het wijzigen van de bestandslocatie, en voer vervolgens de code uit. Controleer zorgvuldig of de gen-ID's en de ID's van de immunomodulatoren correct op elkaar zijn afgestemd, zodat er geen ruimtes of andere onopvallende factoren na de gen-ID's zijn, aangezien dit de belangrijkste oorzaken zijn van mislukte warmtekaartgeneratie.
  2. Stromale en immunologische analyse van tumormonsters met behulp van het ESTIMATE R-pakket
    1. Zorg ervoor dat alle R-pakketten die nodig zijn voor de transcriptomische data-analyse zijn geïnstalleerd. Volgens de code-eisen geef je de benodigde gegevens een naam aan de bijbehorende namen en klik je vervolgens op de knop Uitvoeren .
      OPMERKING: Het is belangrijk te onthouden dat deze website ook online analysemogelijkheden biedt. Hoewel het mogelijk is om de gewenste resultaten te verkrijgen door de website (https://bioinformatics.mdanderson.org/estimate/rpackage.html) te bezoeken, is deze methode niet geschikt voor het analyseren van zelf verzamelde gegevens.
    2. Klik op de knop Ziekte en kies de optie Blaasurotheliale Carcinoom . Selecteer vervolgens de RNA-seq-V2 platformknop. Download de stromale score, immuunscore en schattingsscore van alle monsters.
  3. Vioolplot van de expressie tussen verschillende TRPM4-groepen
    1. Installeer alle R-pakketten die nodig zijn voor transcriptomische data-analyse. Alle benodigde R-pakketten zijn vermeld in Aanvullende Tabel 2. Volgens de code-eisen geef je de benodigde gegevens een naam aan de bijbehorende namen en klik je vervolgens op de knop Uitvoeren.
    2. Zorg ervoor dat je zorgvuldig controleert of de gen-ID's correct zijn ingevoerd, zodat er geen spaties of andere onopvallende factoren aan het einde van de gen-ID's staan, aangezien dit de belangrijkste oorzaken zijn van mislukkingen bij het maken van viooldiagrammen.
  4. Driehoeks-heatmapplot tussen verschillende TRPM4-groepen
    1. Installeer alle R-pakketten die nodig zijn voor de transcriptomische data-analyse. Zorg ervoor dat je de expressiegegevens voorbereidt van verschillende immuuncontrolepuntgenen, zoals TIGIT en CD80. Open de TCGA-BLCA transcriptoomgegevens en doorzoek vervolgens elke invoer individueel, aangezien het aantal immuuncheckpointgenen niet groot is.
    2. Volgens de code-eisen geef je de benodigde gegevens een naam aan de bijbehorende namen en klik je vervolgens op de knop Uitvoeren .
  5. Correlatieplot tussen verschillende genen en TRPM4
    1. Installeer alle R-pakketten die nodig zijn voor de transcriptomische data-analyse. Vul TRPM4 in als het eerste gen en voeg het onderzochte gen toe als het tweede gen, dat in dit geval CD3E is.
    2. Na het klikken op de Run-knop zorg je ervoor dat je CD3E verandert naar andere genen die geanalyseerd moeten worden, zoals CTLA4.

5. Single-cell analyse van TRPM4 in de GSE145281 dataset

  1. BLCA GSE145281 datasetanalyse met behulp van single-cell analyse
    1. Ga naar de website en klik op BLCA. Single-cell analyse maakt een diepgaandere verkenning mogelijk van welke celcluster een hoge expressie van TRPM4 vertoont vergeleken met transcriptomics-analyse. Zorg ervoor dat de gegevens van de single-cel analyse van GSE130001 worden verzameld en controleer aan de hand van de kwaliteitscontrole dat het celaantal per dataset groter dan 1000 moet zijn, het UMI-aantal per cel groter dan 1000 en het genaantal per cel groter dan 500. De differentieel tot expressie gebrachte genen van elk cluster ten opzichte van alle andere cellen worden geïdentificeerd op basis van de log-getransformeerde vouwverandering (|logFC| >= 0,25), en de clusterresolutie zou 0,5 moeten zijn.
  2. Celannotatie voor verschillende celclusters
    1. Zorg ervoor dat alle celclusters geannoteerd zijn. De B-cellen kunnen bijvoorbeeld worden geannoteerd met CD19, MS4A1, CD27, IGHD, IGHM, TCL1A en FCRL5. Alle genen die voor celannotatie worden gebruikt, zijn te vinden in Aanvullende Tabel 3.
    2. Kies vervolgens GSE145281 en download alle resultaten van TRPM4. Klik op de knop Overal en download de UMAP-grafiek van GSE145281 verschillende clusters en celtypen.
    3. Klik op de Gen-knop en kies het enkele gen dat geanalyseerd gaat worden. Klik op de GSEA-knop en observeer de functies van dit enkele gen over verschillende routes, zoals de KEGG-route en Hallmark-route 16,17.
    4. Klik op de CCI-knop en vind de celchatplot en celchatbubbelgrafiek van de cluster die een enkel gen sterk tot expressie brengt.
    5. Klik op de TF-verrijkingsknop om de verrijkte Transcript Factor voor elk cluster te zien.

6. 101 Machine learning om een prognostisch model te construeren met betrekking tot TRPM4

  1. Installeer alle R-pakketten die nodig zijn voor transcriptomische data-analyse. Aangezien een enkele machine learning-benadering niet altijd de optimale methode is om prognose te voorspellen, kan een prognosemodel worden opgebouwd met behulp van 101 machine learning-technieken. Voer een correlatieanalyse uit tussen alle genen in de TCGA-BLCA cohort en GSE32894 en GSE31684 cohorten en TRPM4.
  2. Op basis van het aantal genen dat sterk geassocieerd is met TRPM4, selecteer je alle genen met een correlatie groter dan of gelijk aan 0,6 of minder dan of gelijk aan -0,6 met TRPM4. Selecteer alle genen die sterk geassocieerd zijn met TRPM4 in alle cohorten.
  3. Combineer alle gegevens van GSE32894 en GSE31684 cohorten om een validatieset te vormen en gebruik TCGA-BLCA als trainingsset.
  4. Volgens de code-eisen geef je de benodigde gegevens een naam aan de bijbehorende namen en klik je vervolgens op de knop Uitvoeren .

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Het is algemeen bekend dat het kernvoordeel van het gebruik van transcriptomics om de immuunmicro-omgeving voor individuele genen te analyseren is dat het een directe correlatie mogelijk maakt tussen individuele genen en de dynamische interacties met immuuncellen en moleculen op genexpressieniveau, waardoor de directe observatie van immuunkenmerken mogelijk is en de identificatie van verschillen in het aandeel immuuncellen die tussen groepen binnendringen, met een hoge/lage expressie van...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

In eerdere studies stuitte bio-informatica-analyse van individuele genen vaak op problemen zoals oppervlakkigheid, onnauwkeurigheid en beperkte toepasbaarheid19. Bovendien was eerder onderzoek naar enkele genen meestal beperkt tot transcriptoomgegevens. Bovendien kunnen bij uitsluitend gericht worden op transcriptomgegevens kwesties als steekproefheterogeniteit en willekeur ontstaan, waardoor het moeilijk wordt omuniversele patronen te iden...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren dat zij geen belangenconflict hebben.

Dankbetuigingen

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

We willen het BioBean Informatics Consortium bedanken voor het ontwikkelen van een intelligent analytisch kader (beschikbaar op http://www.sxdyc.com/). Hun innovatieve computationele infrastructuur versnelde de onderzoeksworkflow aanzienlijk door middel van precisie-analyse en geautomatiseerde data-interpretatiemodules.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
R 4.3.3nonenonenone

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

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

Gerelateerde artikelen