fii
❝前排广告：有个性化定制发文需求，可加微信：
❞mzbj0002咨询。
今天分享一篇FII上近期发表的文章，内容还是比较简单的，大家可以简单学习一下。（CNS大佬就略过哈~）
❝值得注意是是，这篇文章的作者的分析和绘图是在
❞❝SPSS和GraphPad Prism上完成的，至于生信部分则是在悟空云平台上完成的，PPI则是常规的string+cytoscape。可见，简单的生信分析用别人造好的轮子也未尝不可。「Title:」 Serum Proteomic Analysis Identifies SAA1, FGA, SAP, and CETP as New Biomarkers for Eosinophilic Granulomatosis With Polyangiitis
「Link:」 https://doi.org/10.3389/fimmu.2022.866035
「期刊:」 Frontiers in Immunology
「2021IF:」 8.786
「Received:」 30 January 2022; 「Accepted:」 06 May 2022;「Published:」 10 June 2022.
❞
研究目的
寻找早期诊断嗜酸性肉芽肿性多血管炎（EGPA，Eosinophilic granulomatosis with polyangiitis）的血清生物标志物，并将EGPA与严重哮喘区分开来。
流程图
Schematic workflow of the study
116个血浆样本分为两个队列 ：发现队列和验证队列。包括58例EGPA,33例严重哮喘病人和25例健康患者对照。发现队列用DIA质谱技术，验证队列用PRM质谱技术。
❝关于不同的质谱技术的差别，大家可以自行搜索。简单来说DIA用于获得完整的数据，实现蛋白质的深度覆盖和精准定量。而PRM则可以基于DIA建的库对目标蛋白进行靶向检测和验证。
❞
蛋白差异分析
相关分析做质控就不说了。之后对三组做了PCA，然后两两分组间做了差异分析，主图用了火山图进行展示。这里的差异分析用的t检验，B-H法计算FDR。注意，以上分析都是在发现队列中做的，为了找maker蛋白。
Identification of differentially expressed proteins.
找到候选靶蛋白
接下来，作者直接一套GO富集+KEGG富集+PPI组合拳打下来，找到主要富集通路的23个差异蛋白作为候选靶蛋白。
Bioinformatics analysis of the DEPs
候选靶蛋白的验证和评估
在验证队列中发现候选靶蛋白中只有有4个蛋白与发现队列保持一致，然后作者就选了这4个蛋白进行验证。（这也是蛋白质组的一个通病，不同批次的结果往往不太一致，甚至蛋白种类和数量都有差别，不易重复。）
然后，作者就在验证队列中，对这4个蛋白进行统计分析，这里用没有箱子的箱线图展示。紧接着，作者对这4种蛋白各种组合进行了简单的ROC分析，展示了几个AUC比较高的ROC曲线图。（为什么不建几个简单的机器学习模型呢？）
Validation and evaluation of candidate biomarkers
后面就是丰满一下要讲的故事
这里作者挑个了临床参数（嗜酸性粒细胞计数）和这4个蛋白做了相关分析。这里用了非参数的 Spearman相关分析。至于Pearson和Spearman各自的适用范围，大家可以自行查询，亦可在我们的交流群里交流讨论。
The correlation between serum SAA1 (A), FGA (B), SAP (C), CETP (D), and eosinophil count
「讨论部分」，先讲了一下找到疾病诊断标志物的必要性。然后，介绍一下最后验证的4种靶蛋白。简单说一下不足的地方和后面的计划，比如作者这里就说需要在更大的队列中用其它方式进行验证，如ELISA等。当然，我们自己做的话最好直接加上ELISA或者WB验证。
总结
以上就是全部内容了，套路还是比较简单的。当然，罕见病例的大量样本组学测序本身就劝退很多人了。再加几个组学丰富一下故事还是有机会冲击高分的。
