当前位置：首页>武汉>IF 8.1!武汉大学人民医院团队:基于热点基因集的分析+单细胞分析,再加101机器学习组合!轻松拿下8+!

IF 8.1!武汉大学人民医院团队:基于热点基因集的分析+单细胞分析,再加101机器学习组合!轻松拿下8+!

2026-08-16 16:16:54

前言

今天又是大家比较喜欢看的单细胞主题~

不知道大家有没有发现，单细胞分析尤其是肿瘤领域的单细胞分析，一般都不会再加分析方向（比如说铁死亡），而是直接分析单细胞图谱，研究肿瘤异质性，找到新的细胞亚型等等。

但万事皆有例外，今天小羊就给大家分享一个“另类”思路——在单细胞分析中引入了一个分析方向，还是个小众方向（核糖体发生），并且做成了单细胞分析+预后的发文模式，效果很不错，直接发到了8分+，下面一起来看看吧~

这篇文章由武汉大学人民医院刘颜良、郭凤琴团队发表，生信占比高达90%，分析做的非常全面，有些处理方式和分析角度很值得学习，一起来看看文章亮点：

1.小众方向更新颖：文章聚焦核糖体生物发生（RiboSis）方向，近期它在肿瘤中作用逐渐被关注到，有一定的热度，但仍属于小众蓝海方向，推荐使用！

2.联合思路使用：文章主要分为两大模块——单细胞分析和基于机器学习的预后分析，单细胞与机器学习是一个很常用也很好用的发文搭子，并且这里单细胞分析占比较高，新颖性更强，搭配小众选题轻松拿高分！关键是性价比也超高，快来抄作业吧！

文章整体的设计思路是比较容易理解的，想复现或者定制个性化分析思路的宝子请关注小羊，小羊帮你解决。科研路上要是遇到难题都可以来咨询～我们团队能提供思路设计、生信分析、课题设计和标书评估等服务，助力你的科研之路！

文献解读

标题：核糖体生物发生相关基因在结直肠癌中的整合分析：对预后和免疫治疗的意义

发表时间：2025.08

影响因子：8.1/Q1

发表期刊：Apoptosis

研究背景

结直肠癌（CRC）是一种常见且致命的恶性肿瘤，本研究旨在探究核糖体生物发生（RiboSis）相关基因（RRGs）在 CRC 中的意义及临床应用。

研究方法

1）从文献中提取RiboSis相关基因（RRGs），在TCGA数据库中分析其差异表达，并利用Cox回归鉴定预后相关RRG；

2）基于单细胞数据根据标记基因识别细胞类型，并针对每个细胞群的DEGs进行富集分析；

3）利用“scmetabolism”R包比较RiboSis相关细胞亚型的代谢活性水平；

4）基于RiboSis相关细胞亚型标记基因，利用10种机器学习算法的101种组合，建立RiboSis相关风险评分，并进行模型评估和验证（这步分析把前面的单细胞和后面的预后分析间的逻辑联系处理的很好，尤其是特征筛选过程，强烈建议学习）；

研究结果

1.结直肠癌的单细胞转录组图谱

作者通过 ssGSEA 确定 RiboSis 评分，发现 CRC 组的评分显著高于正常组。利用 UMAP 图展示了基于主要细胞类型的细胞景观，鉴定出 B 细胞、内皮细胞、上皮细胞、成纤维细胞、巨噬细胞、肥大细胞、NK 细胞和 T 细胞 8 种主要细胞类型。

通过比例堆叠直方图呈现了 13 个样本中各主要细胞类型的分布比例。利用气泡图和 UMAP 图展示了 8 种细胞类型的特异性标记基因，热图显示了每个细胞簇的前 10 个标记基因，所有细胞类型标记的特异性证实了细胞类型分类的精确性和有效性。对这些差异表达基因进行 GO 富集分析，发现 T 细胞和 B 细胞主要富集于免疫反应相关信号通路，而上皮细胞主要富集于细胞黏附过程。

综上，该图清晰呈现了 CRC 的单细胞转录组特征及细胞类型分布与功能相关的基因表达情况。

2.通过非负矩阵分解（NMF）识别核糖体生物发生相关细胞亚型

作者对上皮细胞进行大规模拷贝数变异（CNV）的无监督聚类，以 B 细胞为参考，通过 K-means 聚类识别出 5 个不同簇，上皮簇的 CNV 水平显著高于参考细胞，其中作为参考 B 细胞的簇 3 CNV 数量最低，因此将簇 1/2/4/5 和簇 3 分别归类为恶性和正常上皮细胞。热图展示了 25 个与 RiboSis 相关的预后基因在不同细胞类型中的表达谱，显示这些基因在恶性细胞中表达水平降低。

GO 富集分析显示，RiboSis-C0 和 RiboSis-C1 亚型的差异表达基因主要富集于核糖体生物发生的生物学过程，RiboSis-C2 亚型主要参与 rRNA 修饰过程，RiboSis-C3 亚型的抗原加工富集分数更高。总之，该图通过多种分析手段明确了恶性上皮细胞的识别、RiboSis 相关基因的表达及细胞亚型的分类与功能特征。

3.转录因子调控网络和细胞间通讯

作者利用 pySCENIC 方法研究不同细胞亚型的转录因子（TF）活性，热图显示四种 RiboSis 细胞亚型的调控子活性评分，呈现出独特的 TF 活性模式，强调了 TF 在核糖体生物发生过程中的重要作用，且 RiboSis-C3 亚型与其他三种亚型相比，TF 活性变化最显著。展示了四种 RiboSis 细胞亚型中 TF 的调控子特异性评分，其中 KLF4、JUND、TCF7L2 和 ELF3 在 RiboSis-C3 亚型中表现出较高的调控子活性评分和最高的调控特异性。综上所述，该图揭示了 RiboSis 细胞亚型的转录因子调控网络及细胞间的通讯模式。

4.转录因子调控网络、细胞间通讯及预后模型构建

利用 ssGSEA 算法计算与四种 RiboSis 相关细胞亚型相关的标记基因表达水平，根据最佳阈值将训练集和验证集患者分为低和高 RiboSis 相关细胞亚型组，Kaplan-Meier 生存分析显示，在 TCGA 训练数据集和两个验证数据集中，高 RiboSis-C3 组个体的生存结果显著优于低 RiboSis-C3 组。

通过单变量 Cox 回归分析筛选出 35 个具有潜在预后意义的基因，在机器学习整合框架中进行分析，通过留一交叉验证拟合 10 种机器学习算法的组合，计算每个模型在测试数据集上的 C 指数，发现 StepCox [backward] 和 RSF 的组合是最有效的模型，平均 C 指数为 0.757。该图呈现了 RiboSis 细胞亚型的代谢差异、预后模型的构建及有效性验证。

5.不同 RiboSis.Sig 评分组的免疫微环境景观

作者通过 ssGSEA 分析评估不同 RiboSis.Sig 评分组的免疫细胞水平和免疫相关功能，发现低 RiboSis.Sig 评分的 CRC 患者中多种免疫细胞存在增加，且多种免疫相关指标评分升高。该图阐明了不同 RiboSis.Sig 评分组在免疫微环境方面的差异。

6.模型基因的功能相似性和免疫状态总结

作者利用 GSVA 算法计算 “Hallmark” 基因集的分数，热图展示了 8 个模型基因与 hallmark 通路的相关性，发现这些基因与多个癌症相关通路密切相关。热图显示不同 8 个模型基因与 TME 评分和浸润免疫细胞群的相关性，其中 PFDN2 与大多数 TIICs 呈负相关，而 CD177 与大多数 TIICs 呈正相关。

通过 “GOSemSim” 包评估 8 个模型基因之间的功能相似性，箱线图显示了 8 个基因的功能相似性分布，发现 PFDN2 呈现最高的平均功能相似性，是核心基因。综上，该图总结了模型基因的功能相似性及其与免疫状态的关系。