Method Article

TCGA Verileri ve Tek Hücre Verilerine Dayalı Analiz, TRPM4 Örnek Alınarak

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

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

Burada, transkriptom analizi ve tek hücre analizine dayanarak, 101 makine öğrenimi algoritmasının kullanılmasıyla birlikte, bahsedilen tek gen için prognostik bir model oluşturmak amacıyla mesane kanserinde (BLCA) tek bir genin rolünü kapsamlı bir şekilde analiz eden bir protokol sunuyoruz.

Abstract

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

Bu makalede, tümör bağışıklık mikroçevresinin şekillendirilmesi, tümör moleküler alt tiplerinin şekillendirilmesi ve tümör hastalarının prognozunun tahmin edilmesi gibi tümörlerdeki tek genlerin rolünü kapsamlı şekilde tanımlamak için kullanılabilecek halka açık transkriptomik veri setleri ve tek hücreli veri setlerine dayalı bir analiz yöntemi tanıtılmıştır. Aynı zamanda, tek gen verilerinin eklenmesi, tek bir transkriptomun analizinin getirdiği rastgelelik ve heterojenliği önlemekle kalmaz, aynı zamanda genin hangi hücre kümelerinde eksprese edildiğinin daha derinlemesine araştırılmasına ve genin bu yoldaki rolünün daha fazla araştırılmasına olanak tanır. Birçok araştırmacının tek hücre analizinde yetkin olmayabileceği göz önüne alındığında, bu yöntem makalesinde TISCH2 (http://tisch.compbio.cn/) adlı çevrimiçi bir web sitesi tanıtılır; böylece herkesin tek hücre analizini tamamlamasına yardımcı olur. Ayrıca, 101 makine öğrenimi yönteminin uygulanması, en doğru prognostik modelin oluşturulmasında vazgeçilmez bir rol oynamıştır. Sonuç olarak, biyoinformatik analiz, makine öğrenimi ve tek hücre analizini birleştiren bu entegre tek gen analiz yönteminin, tümör ilerlemesinde tek genlerin işlevlerinin incelenmesinde ve bireysel genlerin yollardaki işlevlerinin incelenmesinde vazgeçilmez ve kritik bir rol oynayabileceğine inanılmaktadır.

Introduction

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

Hepimizin bildiği gibi, mesane kanseri (BLCA) dünyadaki en agresif ve metastatik kötü huylu tümörlerden biridir ve mesane kanseri için mevcut biyobelirteçlerde hâlâ doğruluk gibi sorunlarvardır 1. BLCA hastalarının prognozunu belirlemek ve BLCA hastalarının sonuçlarını tahmin etmek için mesane kanseri için biyobelirteçlerin araştırılması ve prognostik modellerin oluşturulması büyük öneme sahiptir. Biyobelirteçler için bazı araştırma yöntemleri geliştirilmiş olsalar da, bu yöntemlerin çoğu şu anda transkriptomikle sınırlıdır ve bu da kaçınılmaz olarak örneklerde heterojenliğeyol açar 2. Ayrıca, transkriptomik verilerin tek başına incelenmesi, farklı hücre alt popülasyonlarının oynadığı rolleri ve tek hücre düzeyindeki farklı yollardaki genlerin işlevlerini araştırmakta çoğu zaman başarısız olur; bu da önceki araştırmaları daha az kesin ve etkilihale getirir 3. Tek hücreli analizin yeni başlayanlar için zor olabileceği göz önüne alındığında, becerileri hızlıca öğrenmelerine yardımcı olmak için tek hücreli analiz için çevrimiçi bir platformoluşturulmuştur 4. Son olarak, transkriptom analizi ve tek hücre analiziyle tek bir gen uygun bir biyobelirteç olarak bulunsa bile, biyobelirteçin tüm kohortlar için geçerli olacağına dair bir garanti yoktur; bu nedenle, sonuçların daha evrensel uygulanabilir olması için biyobelirteçle ilişkili prognostik modeller oluşturmak gereklidir5. 101 makine öğrenimi algoritması, optimal prognoz modelini belirleme amacıyla 100 farklı makine öğrenimi algoritmasının kombinasyonunu kullanarak 101 prognoz modelinin oluşturulmasını ifade eder. Rastgele orman, XGBoost ve SVM gibi karmaşık verileri daha iyi işleyen ve daha yüksek kararlılık gösteren algoritmaların dahil edilmesi, bu birleşik algoritmanın olağanüstü bir istikrar sergilemesini sağlamıştır. Bu prognostik modeli biyobelirteç için daha doğru ve ilgili hale getirmek için, önce tüm genler ile biyobelirteç arasında bir korelasyon analizi yapılır, ardından gereksinimlere göre yaklaşık 20-30 gen seçilir ve ardından prognostik modeli oluşturmak için 101 makine öğrenimi algoritması kullanılır ve ardından sonuçları kesinleştirmek için bir dizi analiz yapılır.

Son6 basit transkriptomik analizle öngörülen biyobelirteçlerle karşılaştırıldığında, tek hücreli ve transkriptomik analizlerin biyobelirteçleri, dokuların veya örneklerin temel hücresel bileşenlerine tarafsız bir şekilde parçalanmasına olanak tanır. Bu yöntem, farklı hücre tiplerinin (örneğin T hücreleri, B hücreleri ve makrofajlar gibi) net bir şekilde farklılaşmasını ve yeni alt popülasyonların (tükenmiş T hücreleri ve düzenleyici T hücreleri gibi) keşfedilmesini, ayrıca sürekli dinamik süreçlerin (örneğin hücre farklılaşma yörüngeleri gibi) yakalanmasını sağlar. Bu, meyve ve sütü ayrı ayrı düzenlemeye benzer; böylece her bileşenin ve miktarının net bir görselleştirilmesini sağlar. Tek kohortlu Coxmodelleri 7 ile karşılaştırıldığında, 101 makine öğrenimi kullanılarak oluşturulan prognostik model de daha doğru ve bilimsel olarak doğrudur; çünkü verilerden değişkenler arasındaki karmaşık, doğrusal olmayan etkileşimleri otomatik olarak öğrenebilir. Örneğin, belirli bir genetik mutasyonun etkisi yalnızca belirli yaş ve tümör boyutlarındaki hastalarda anlamlı olabilir. Rastgele ormanlar ve sinir ağları gibi makine öğrenimi modelleri, manuel spesifikasyona gerek kalmadan bu yüksek dereceli etkileşimleri otomatik olarakyakalayabilir 8. Analiz için kullanılan veri setinin sinyal anahtar uygulama kısıtlamaları, genlerin büyük çoğunluğunu içermelidir; gen sayısı çok az olmamalı ve prognostik modeller oluşturmak için kullanılan gen sayısı genellikle 20-30 civarında tutulan çok yüksek olmamalıdır. Tek hücre setinin kalite kontrol standardı 1000'den fazla, hücre başına UMI sayısı 1000'den büyük ve hücre başına gen sayısı 5009'dan fazla olmalıdır.

Burada, kamu transkriptomik veri setlerinden ve tek hücreli veri setlerinden yeni biyobelirteçlerin tanımlanması için adım adım bir yaklaşım sunulmakta, örneğin BLCA'daki TRPM4'ün rolü alınmaktadır. Onkolojide biyobelirteçlerin hassasiyetini ve uygulanabilirliğini artırmak ve BLCA'da TRPM4'ün incelenmesini ilerletmek için Kanser Genomu Atlas-Mesase Kanseri (TCGA-BLCA) veri seti (TCGA-BLCA) GSE145281 veri seti ve GSE32894 ve GSE31684 dahil olmak üzere çeşitli araştırma yöntemleri ve çeşitli veri setleri kullanılıyor. TCGA-BLCA veri seti Kaliforniya Üniversitesi, Santa Cruz Xena (UCSC Xena) web sitesinden alınmıştır. GSE32894 ve GSE31684 Gen İfadesi Omnibus'tan (GEO) indirildi ve tek hücreli veriler GSE145281 Tümör İmmuhen Tek Hücreli Hub 2 (TISCH2)'den alındı. Ayrıca, BLCA moleküler alt tipleri ve tedavi yanıtları hakkındaki veriler, ilgili bir makalenin ek tablo dosyalarından çıkarıldı. Biyobilişim analizi, tek hücre analizi ve makine öğrenimi daha sonra gerçekleştirilir ve entegre bir tek gen araştırma metodolojisi oluşturulur.

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

Protocol

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

NOT: Bu makalede kullanılan tüm kodlar https://github.com/YaoGeng-nmu/Analysis-of-TRPM4-based-on-TCGA-data-and-single-cell-data-in-BLCA/blob/main/code. web sitesinde bulunabilir.

1. Transkriptomik verilerin hazırlanması

  1. TCGA-BLCA veri setinin hazırlanması
    1. Tüm TCGA veri setlerini UCSC Xena (https://xenabrowser.net/datapages/)10 web sitesinden indirin. İndirilen veri setleri önceden işlenir, bu da genaçıklaması 11 gibi ek çalışmalara gerek kalmaz.
    2. TCGA veri setini seçin ve ardından TCGA-BLCA dataset'ye tıklayın. Sonra, TCGA-BLCA veri setinin sayfasına gidin, Gen İfadesi RNA-seq'ine tıklayın ve TCGA-BLCA veri setinden klinik veriler ile gen ifade profillerini indirin. Bu veri setinde, 400 BLCA hastasının mRNA ekspresyon verisi olduğundan emin olun.
    3. Tümör örneklerini bitişik normal doku örneklerinden ayırmak için, 01 ve 11 sonlu örnekleri ayırın; 01 ile örnekler tümör örneklerini, 11 uçlu örnekler ise kansere yakın dokuları (normal örnekler) gösterir.
  2. GSE32894 ve GSE31684 Hazırlanması
    1. BLCA veri setini indirmek için GEO Web Sitesi'ne (https://www.ncbi.nlm.nih.gov) tıklayın ve GSE32894 ve12,13 GSE31684 indirebilirsiniz.
    2. Sağ üst köşedeki Ilgili Girişlere tıkladıktan sonra, GSE32894 ve GSE31684 veri setleri sayfalarına geçtiğinizden emin olun.
    3. Sonra, ilgili mRNA verilerini, klinik verilerini ve GSE32894 için sağ kalma verilerini indirin. GSE32894 veri setinin http butonuna tıklayın. Ayrıca, platform butonu ile GPL6947 platform verilerini indirin. MRNA verileri, klinik veriler ve hayatta kalma verileri indirirken GSE32894 için GSE32894_series_matrix.txt.gz butonuna tıklayarak Seri Matris Dosya(ları) butonuna tıklayın ve GSE32894 indirin.
    4. İlgili mRNA verilerini, klinik verilerini ve GSE31684 için sağ kalma verilerini indirin. GSE31684 veri setinin http butonuna tıklayın. Ayrıca, platform butonuyla GPL570 platform verilerini indirin. MRNA verileri, klinik veriler ve GSE31684 için hayatta kalma verileri indirirken GSE31684_series_matrix.txt.gz butonuna tıkladıktan sonra Seri Matris Dosya(lar) butonuna tıklayın ve GSE31684 indirin.
    5. Filtreleme aşamasında, ifade seviyesi sıfır veya sıfıra yakın olanlar gibi anlamsız genler çıkarılır. Parti düzeltmesi için svapaketi 14'e dayanan ComBat yöntemini kullanın.

2. Tek hücreli analizin hazırlanması

  1. Hazırlanma GSE145281
    1. Tek hücre düzeyinde araştırma yapmak için, tek hücre veri setini bulun; çünkü transkriptom verilerinin tek başına hangi hücre kümesinin TRPM4'ü en anlamlı şekilde ifade ettiğini belirlemek için yeterli değildir.
    2. Burada, tümörlerin tek hücreli analizi için çevrimiçi bir web sitesi olan TISCH2 (http://tisch.compbio.cn/)'a gidin.
    3. Deneysel ihtiyaçlara göre, bu durumda BLCA'yı örnek olarak kullanarak gerekli Kanser Tipini seçin.
    4. BLCA butonuna tıklayın ve GSE145281 adlı veri setini seçin.

3. BLCA'nın moleküler alt tiplerinin hazırlanması ve terapötik tercihlere verilen verilere yanıt

  1. BLCA'nın moleküler alt tipleri ve terapötik seçeneklere yanıt verisini burada referans verilenmakaleden indirin. 15.
  2. PubMed web sitesini açın (https://pubmed.ncbi.nlm.nih.gov/). Makaleyi arayın ve Ek Tablolar sayfasına tıklayın. Bu sıkıştırılmış dosya paketinde toplam 18 dosya bulunmaktadır.

4. TRPM4'ün BLCA bağışıklık mikroçevre analizi

  1. Farklı TRPM4 gruplarında 133 immünomodülatörün ifadesinin ısı haritası grafigi
    1. TRPM4 ifadesine göre, tüm BLCA örnekleri yüksek-TRPM4 grubu ve düşük TRPM4 grubuna bölünür.
    2. Tüm örnek isimlerini ve TRPM4 ifade verilerini ayrı ayrı kopyalayın, ardından TRPM4 ifadesinin azalan sırasına göre sıralayın ve örneklerin ilk yarısını TRPM4 ifadesine göre Grup sütununda Düşük TRPM4 grubuna ve ikinci yarısını Grup sütununda Düşük TRPM4 Grubuna kategorize edin. Tüm TCGA-BLCA hastalarının kimlikleri Ek Tablo 1'de listelenmiştir.
    3. Transkriptomik veri analizi için gerekli R paketlerini kurun. Sunulan kodda dosya konumunu değiştirmek gibi küçük değişiklikler yapın ve ardından kodu çalıştırın. Gen ID'leri ile immünomodülatörlerin ID'lerinin doğru eşleşip eşleşmediğini dikkatlice kontrol edin; böylece gen ID'lerinden sonra boşluk veya başka göze çarpmayan faktörler olmadığından emin olun; çünkü bunlar başarısız ısı haritası üretiminin başlıca nedenleridir.
  2. ESTIMATE R paketi kullanılarak tümör örneklerinin stromal ve immünolojik analizi
    1. Transkriptomik veri analizi için gereken tüm R paketlerinin kurulduğundan emin olun. Kod gereksinimlerine göre, gerekli verileri ilgili isimlerle adlandırın ve ardından Çalıştır butonuna tıklayın.
      NOT: Bu web sitesinin çevrimiçi analiz yetenekleri de sunduğunu unutmamak önemlidir. Web sitesini ziyaret ederek istenen sonuçları elde etmek mümkün olsa da (https://bioinformatics.mdanderson.org/estimate/rpackage.html), bu yöntem kendi kendine toplanan verileri analiz etmek için uygun değildir.
    2. Hastalık butonuna tıklayın ve Mesane Ürotelyal Karsinomu seçeneğini seçin. Sonra, RNA-seq-V2 platform düğmesini seçin. Tüm örneklerin stromal skorlarını, bağışıklık skorlarını ve tahmin puanlarını indirin.
  3. Farklı TRPM4 grupları arasındaki ifadenin keman grafiği
    1. Transkriptomik veri analizi için gereken tüm R paketlerini kurun. Gerekli tüm R paketleri Ek Tablo 2'de listelenmiştir. Kod gereksinimlerine göre, gerekli verileri ilgili isimlerle adlandırın ve ardından Çalıştır butonuna tıklayın.
    2. Gen kimliklerinin doğru girildiğinden dikkatlice emin olun, böylece gen kimliklerinin sonunda boşluk veya başka göze çarpmayan faktörler olmadığından emin olun; çünkü bunlar keman çizgilerinin oluşturulmasında başlıca başarısızlık nedenleridir.
  4. Farklı TRPM4 grupları arasında üçgen ısı haritası grafiki
    1. Transkriptomik veri analizi için gereken tüm R paketlerini kurun. TIGIT ve CD80 gibi birkaç bağışıklık kontrol noktası geninin ifade verilerini hazır bulundurun. TCGA-BLCA transkriptom verilerini açın ve bağışıklık kontrol noktası genlerinin sayısı çok fazla olmadığı sürece her girişi ayrı ayrı arayın.
    2. Kod gereksinimlerine göre, gerekli verileri ilgili isimlerle adlandırın ve ardından Çalıştır butonuna tıklayın.
  5. Farklı genler ile TRPM4 arasındaki korelasyon grafiki
    1. Transkriptomik veri analizi için gereken tüm R paketlerini kurun. TRPM4'ü ilk gen olarak doldurun ve araştırılan geni ikinci gen olarak ekleyin; bu durumda CD3E olarak kullanılır.
    2. Run butonuna tıkladıktan sonra, CD3E'yi analiz edilmesi gereken diğer genlere, örneğin CTLA4'e değiştirdiğinizden emin olun.

5. GSE145281 veri setinde TRPM4'ün tek hücreli analizi

  1. BLCA GSE145281 veri seti analizi tek hücre analiziyle
    1. Web sitesine girin ve BLCA'ya tıklayın. Tek hücre analizi, hangi hücre kümesinin transkriptomik analizine kıyasla TRPM4'ün yüksek ekspresyonu gösterdiğinin daha derinlemesine incelenmesine olanak tanır. Tek hücre analiz verilerinin GSE130001'dan toplandığından emin olun ve veri seti başına hücre sayısının 1000'den fazla, hücre başına UMI sayısının 1000'den ve hücre başına gen sayısının 500'den büyük olması gerektiğini kalite kontrol standardıyla karşılaştırın. Her kümenin diğer tüm hücrelere kıyasla farklı olarak ifade edilen genleri, log-transformed katlanma değişimine (|logFC| >= 0.25) göre tanımlanır ve küme çözünürlüğü 0.5 olmalıdır.
  2. Farklı hücre kümeleri için hücre açıklaması
    1. Tüm hücre kümelerinin notlandırıldığından emin olun. Örneğin, B hücreleri CD19, MS4A1, CD27, IGHD, IGHM, TCL1A ve FCRL5 ile notalanabilir. Hücre açıklaması için kullanılan tüm genler, Ek Tablo 3'te bulunabilir.
    2. Sonra, GSE145281 seçin ve TRPM4'ün tüm sonuçlarını indirin. Genel butonuna tıklayın ve farklı kümeler ve hücre tiplerinin GSE145281 UMAP grafikini indirin.
    3. Gen butonuna tıklayın ve analiz edilecek tek geni seçin. GSEA butonuna tıklayın ve bu tek genin KEGG yolu ve Hallmark yolu16,17 gibi çeşitli yollar üzerindeki işlevlerini gözlemleyin.
    4. CCI butonuna tıklayın ve tek bir geni yüksek şekilde ifade eden kümenin hücre sohbet planını ve hücre sohbet balonu grafikini bulun.
    5. Her küme için zenginleştirilmiş Transkript Faktörünü görmek için TF zenginleştirme düğmesine tıklayın.

6. 101 TRPM4 ile ilgili prognostik model oluşturmak için makine öğrenimi

  1. Transkriptomik veri analizi için gereken tüm R paketlerini kurun. Tek bir makine öğrenimi yaklaşımının her zaman prognozu tahmin etmek için en uygun yöntem olmayabileceği göz önüne alındığında, 101 makine öğrenimi tekniği kullanılarak bir prognoz modeli oluşturulabilir. TCGA-BLCA kohortu ile GSE32894 ve GSE31684 kohortlarındaki tüm genler ile TRPM4 arasında korelasyon analizi yapın.
  2. TRPM4 ile güçlü ilişkili gen sayısına dayanarak, TRPM4 ile 0.6'dan veya ondan daha büyük veya daha az veya eşit olan tüm genleri seçin. Tüm kohortlarda TRPM4 ile güçlü ilişkili tüm genleri seçin.
  3. GSE32894 ve GSE31684 kohortlarından gelen tüm verileri birleştirerek bir doğrulama seti oluşturun ve TCGA-BLCA'yı eğitim seti olarak kullanın.
  4. Kod gereksinimlerine göre, gerekli verileri ilgili isimlerle adlandırın ve ardından Çalıştır butonuna tıklayın.

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

Results

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

Bireysel genler için bağışıklık mikroçevresini analiz etmek için transkriptomik kullanmanın temel faydasının bireysel genler ile gen ifadesi seviyesinde bağışıklık hücreleri ve moleküllerle dinamik etkileşimler arasında doğrudan bir korelasyon sağlaması olduğu iyi bilinmektedir; bu da bağışıklık özelliklerinin doğrudan gözlemlenmesini ve bireysel genlerin veya değişikliklerin yüksek/düşük ekspresyonu olan gruplar arasında bağışıklık hücrelerinin sızma oranındaki farkların belirlenmesini ...

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

Discussion

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

Önceki çalışmalarda, tek genlerin biyoinformatik analizi yüzeysellik, doğrusuzluk ve sınırlı uygulanabilirlik gibi sorunlarlakarşılaştı 19. Ayrıca, tek genler üzerine yapılan önceki araştırmalar genellikle transkriptom verileriyle sınırlanmıştır. Ayrıca, yalnızca transkriptom verilerine odaklanıldığında, örnek heterojenliği ve rastgelelik gibi sorunlar ortaya çıkabilir ve evrensel kalıpları tespit etmeyizorlaştırabilir 20. Bu nedenle, yukar...

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

Disclosures

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

Yazarlar, çıkar çatışması olmadığını belirtir.

Acknowledgements

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

BioBean Informatics Consortium'a akıllı analitik bir çerçeve geliştirdikleri için teşekkür etmek isteriz (http://www.sxdyc.com/'de mevcuttur). Yenilikçi hesaplama altyapıları, hassas analiz ve otomatik veri yorumlama modülleri aracılığıyla araştırma iş akışını önemli ölçüde hızlandırdı.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
R 4.3.3HiçbiriHiçbiriHiçbiri

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