不做实验也能发 SCI？看看别人怎么做的

生信入门小白也能快速上手数据挖掘...

文末可领取免费论文入门教学资源

在生命科学研究中，有这样一门学科，它是以计算机为工具对大量且复杂的生物数据进行储存、检索和分析的科学。没错，那就是 生物信息学。

然而，对于很多生物专业的同学来说，并未系统学习过计算机知识，因此提到生信便望而却步。

此次就为大家带来生物信息学的纯干货， 带你走进生信的世界，看看别人如何不做实验也能发 SCI！

小白入门，如何运用生信助力科研？

由于传统的生物学方法无法处理这么庞大的数据量，利用计算机强大的计算能力，生物信息学应运而生。那么对于从未接触过的生信小白而言，我们又该如何理解并学习使用生信工具来做研究呢？

我们以一篇文章为例，看看别人的生信文章都是如何做的。

这篇发表在《Cellular physiology and biochemistry》杂志上的这篇文章，做的是关于三阴性乳腺癌中相关 ceRNA 差异表达谱的综合分析。

首先，研究利用 癌症基因组图谱（TCGA）的 RNA-Seq 数据比较了 111 个 TNBC 组织和 104 个非癌组织中 mRNA、IncRNA 和 miRNA 的表达谱。之后，对差异表达的 mRNA 进行 Gene Ontology和 KEGG 通路富集分析。Kaplan-Meier 生存分析确定差异表达的 lncRNA / mRNA/ miRNA 对总生存期的影响。随后，通过 qRT-PCR 实验在 ceRNA 网络中证实了 4 种失调的 IncRNA、3 种异常表达的 miRNA 和 4 种 mRNA。

因此得出结论：109 个 lncrna 和 124 个 mrna 可作为 TNBC 患者的预后标志。功能分析显示，ceRNA 网络中的 19 种 mRNA 在 17 种癌症相关途径中富集。

这篇文章总结下来就是一句话：

下载别人已经完成的芯片数据，分析筛选差异基因，构建蛋白质互作网络，最后利用 GO 和 KEGG 分析。

生信分析文章套路原来这么简单

生物信息学公开数据挖掘

数据挖掘（Data Mining, DM）就是从大量的数据中提取和分析数据，从而挖掘和分析序列、分子、基因表达或途径信息。

数据挖掘的主要功能：

分类： 对输入数据项分类为几个现有数据；

估计： 对给定的数据，得出未知连续变量的值；

预测： 根据将来的结果或者评估值进行分类并记录；

关联规则： 确定哪些数据组合在一起，也称为依赖关系建模；

聚类： 将总体的元素通过聚类分析分为多个组或类；

描述和可视化： 对数据进行描述或者使用可视化技术表示数据。

那如何借助数据挖掘提升科研产出呢？

成功经验分享、总结、使用

如何规划一篇数据挖掘 SCI 论文

想要规划一篇数据挖掘 SCI 论文，首先你要明白 SCI 文章必备的核心技能：

1、选题：创新 Design Model

研究对象

干预方案暴露因素

观察指标

研究设计方法

2、立题：研究设计 PICOS 原则

P（Population）：研究对象，需要研究的对象人群或代表与研究对象相关的问题；

I（Intervention）：干预措施，对研究人群采用的治疗干预措施或与观察指标；

C（Comparison）：比较组，代表对照组和将给予治疗措施或观察的指标；

O（Outcome）：结局，代表与结局指标和相关的问题；

S（Study design）：研究类型，即研究设计是什么、队列研究、病例对照还是横断面。

如何规划一篇数据挖掘 SCI 论文

当然，对于想学习生物信息学的朋友来讲，以上内容只是简略介绍。如果想了解更多，点击下方文字，看看还有哪些值得学习的知识吧！

我能不能做生信？生信难吗？

生信分析只能发「灌水」文章?

有哪些好用的生信分析工具？

想了解更多生信知识、数据挖掘技巧

进入丁香实验小程序

作者：Karwai

排版：fs

配图：丁香实验设计团队