《BMC Bioinformatics》：Goistrat: gene-of-interest-based sample stratification for the evaluation of functional differences
编辑推荐：
在癌症研究中，现有方法难以有效基于生物学信息分层患者样本，限制了对基因功能的理解。研究人员开展 “GoiStrat：基于感兴趣基因的样本分层评估功能差异” 的研究，构建新工作流程，在多数据集表现优异，且在前列腺癌研究中发现 FOLH1 相关关键通路，为疾病研究和治疗提供新方向。
在生命科学的神秘领域，癌症研究一直是备受瞩目的焦点。癌症，这一严重威胁人类健康的 “恶魔”，其异质性给诊断、预后和治疗带来了巨大挑战。传统治疗方法常将癌症视为单一疾病，却忽略了患者间复杂多样的差异。而患者分层，作为改善癌症诊疗的重要手段，虽已取得一定成果，但仍存在诸多问题。
在探索基因表达与癌症关系的道路上，以往通过特定感兴趣基因（GOI）表达水平对患者或组织样本进行分层的方法，往往过于简单粗暴。比如，直接依据 GOI 的 RNA 表达值对样本排序，划分高低表达组，这种方式忽略了 RNA 表达值在整个样本集中的分布，导致分组随意，无法深入挖掘基因功能。而且，现有方法都未充分考虑基于生物过程活性和富集功能进行样本分层，难以全面了解 GOI 表达变化对疾病相关生物过程的影响。
为了突破这些困境，来自奥地利维也纳医科大学（Medical University of Vienna）等机构的研究人员踏上了探索之旅。他们开展了一项名为 “GoiStrat：基于感兴趣基因的样本分层评估功能差异” 的研究，相关成果发表在《BMC Bioinformatics》上。
研究人员提出了 GoiStrat 这一创新的工作流程，旨在解决样本分层和基因功能分析的难题。该流程主要包含两个阶段：第一阶段，基于 GOI 的高低 RNA 表达组的功能差异进行样本分层；第二阶段，对分层后的样本进行下游分析，以深入了解 GOI 的生物学作用 。
在技术方法上，研究人员主要运用了以下关键技术：一是基因集变异分析（GSVA ），通过它将基因表达矩阵转化为基因集矩阵，从而获取功能信息；二是 Node2Vec ，用于生成蛋白质 - 蛋白质相互作用（PPI）网络节点的低维向量表示，助力挖掘蛋白质间的关系；三是整合聚类，通过 DBSCAN 和 KMeans 等算法对 PPI 网络节点进行聚类，确定 GOI 所在的蛋白质簇 。同时，研究使用了多个样本队列，如前列腺癌转录组图谱（PCTA）、癌症基因组图谱前列腺腺癌（TCGA - PRAD）和西海岸前列腺癌梦之队 - 转移性去势抵抗性前列腺癌（WCDT - MCRPC）数据集等。
研究结果方面：
GoiStrat 的卓越性能 ：研究人员将 GoiStrat 与传统的 top/bottom 方法进行比较，在 9 个不同的 RNA - Seq 数据集上展开测试。结果显示，GoiStrat 在除一个数据集外的所有数据集上均表现更优，能更好地分离样本，最大化高低表达组之间的功能差异，为后续研究 GOI 对生物过程的影响奠定了坚实基础。FOLH1 在前列腺癌中的研究成果
在研究结论和讨论部分，GoiStrat 工作流程展现出了巨大的潜力。它为研究 GOI 在复杂疾病中的作用提供了全新的工具，能够帮助研究人员更深入地理解疾病相关通路，确定相关蛋白质网络，为生物标志物的发现和个性化治疗策略的开发提供了重要依据。不过，该研究也存在一定局限性，如计算资源需求大，且仅基于 RNA 表达数据和现有基因集数据库评估功能差异不够全面，可能需要湿实验进一步验证。但总体而言，这项研究为癌症研究开辟了新的道路，有望推动个性化医疗的发展，让我们在攻克癌症的征程中迈出重要一步。
鎵撹祻
涓嬭浇瀹夋嵎浼︾數瀛愪功銆婇€氳繃缁嗚優浠ｈ阿鎻ず鏂扮殑鑽墿闈剁偣銆嬫帰绱㈠浣曢€氳繃浠ｈ阿鍒嗘瀽淇冭繘鎮ㄧ殑鑽墿鍙戠幇鐮旂┒
10x Genomics鏂板搧Visium HD 寮€鍚崟缁嗚優鍒嗚鲸鐜囩殑鍏ㄨ浆褰曠粍绌洪棿鍒嗘瀽锛�
娆㈣繋涓嬭浇Twist銆婁笉鏂彉鍖栫殑CRISPR绛涢€夋牸灞€銆嬬數瀛愪功
鍗曠粏鑳炴祴搴忓叆闂ㄥぇ璁插爞 - 娣卞叆浜嗚В浠庣涓€涓崟缁嗚優瀹為獙璁捐鍒版暟鎹川鎺т笌鍙鍖栬В鏋�
涓嬭浇銆婄粏鑳炲唴铔嬬櫧璐ㄤ簰浣滃垎鏋愭柟娉曠數瀛愪功銆�
