网站内容发布流程图(利用生物信息学发表低分SCI并不一定要学会编程。(组图))

　　网站内容发布流程图(利用生物信息学发表低分SCI并不一定要学会编程。(组图))

　　这个文章的主要部分是我之前关于学习生物信息学目的的回答。现在复制文章，添加一点新的内容，网页分析芯片数据到此结束。如果以后有推荐的网页，我只会在这里添加。

　　本文的意图是发表一篇低分的sci，可能在bioinformatics文章1分左右。当然，随着学生信越来越普遍，估计以后1分也值了。主要对象是医学*敏*感*词*，尤其是那些没有资金也没有地方做实验的*敏*感*词*，所以他们可以带着这个权利毕业。

　　输入下面的主题：

　　使用生物信息学在 SCI 中发表低分不一定需要学习编程。当前的网络生物信息学工具足以让您完成 SCI 所需的所有图表。您需要做的是学习如何在网络上使用这些工具。我在之前的专栏中也介绍了一些，但并不全面。这里有一个小小的学习提示：网络工具一般都是英文的，而且它自己的手册对于普通英语使用者来说是很难阅读的。其实你可以直接用浏览器自带的谷歌翻译把它翻译成中文。一般来说，它几乎是一样的。

　　网页工具拿到图表后，还需要仔细调整。图表的美，也能决定文章的好坏。

　　这里放几篇生物信息学样本文章，大家可以阅读：IF=1.3,儿童肥胖相关关键基因和通路的鉴定； IF=2.4，CDKN2B-AS 可能通过靶向 miR-92a 间接调节冠状动脉疾病相关基因；IF=3.3，全基因组基因表达谱显示 CD274 是上调的新发 1 型糖尿病；IF=6.1，基于网络和通路的帕金森病相关基因分析。

　　如果你还有点迷茫，建议你先多看几篇别人的来信文章，至少知道你需要哪些图表，什么样的图表，然后如何制作这些图表。

　　然后在GEO上下载自己场方向的基因芯片。处理了基因芯片，摸索着拿到了别人文章的图。当你模仿这些图表制作出来的时候，你大概就会明白Shengxin文章的框架是什么了。

　　然后，我会正式找更全面的自己领域层面的资料，不多发表文章，或者按照自己的想法去探索太空芯片。设计你打算发布的生命信文章的框架，然后分析数据得到图表，最后美化所有图表。这里的美化其实是想调整到类似于文章别人发布的样子。一般可以使用photoshop或者illustrator。

　　我们以IF=1.3的文章为例来谈谈它的图表。

　　首先，这张热图。这个热图是在筛选差异基因后制作的，所以首先我们需要找到差异表达基因（DEGs）。通过pubmed的GEOdatasets找到文章中提到的GSE29718序列（GEO各个缩写的含义可以参考前面的文章）。点击这个名字，我们可以在新弹出的网页上看到基因分析工具GEO2R，可以用来分析DEGs。其实GEO2R本身也是NCBI在limma包的基础上设计的一个工具。所谓的 Limma 包是 R 语言中用来分析 DEG 的经典扩展包。所以GEO将这个包经过深思熟虑的改造，变成了一种可视化的方式，方便大家操作。当然，这种可视化是基于NCBI维护者已经对这些数据进行了分析，但实际上更多的数据并没有被维护者整理和分析。你可以看看如何使用这个网页工具。使用 Google 翻译很容易学习。

　　在上一专栏文章中，我描述了如何找到DEG（回头看好像没有写过，忘记不重要，GEO网页会告诉你）。分析后下载差异基因，制作成excel表格。

　　我们的第一步是制作热图。热图工具有很多，这时候可以用到：HemI1.0-Heatmap illustrator。下载本软件后，导入修剪后的数据，即可制作精美的热力图。至于它的使用，很简单，因为这个工具是华中科技大学写的，所以有对应的中文操作指南。

　　然后是DEG的注释路径等等。

　　这些东西看起来很吓人，好像有很多东西要学，其实不然。这些表格都是从网上下载的，你可以自己删除。

　　复制其中的 DEG 名称。然后转到 DAVID 功能注释生物信息学微阵列分析。我之前的专栏文章 解释了如何使用它。粘贴DEG后，网页分析会自动生成相应的内容。您下载文档，删除一些不需要的内容，并根据文档进行调整。 DAVID 是一个收录大量数据库信息的集成工具。更方便的是，它可以为您自动转换基因名称的格式，可以省去很多的精力。 DAVID也有教程，翻译后可以看看。

　　然后是相互映射。

　　复制DEGs，把这些基因的名字放到STRINGfunctional protein association networks中，就会生成对应的蛋白质相互作用图，然后下载这个图的文本格式文件放到Cytoscape（用户文档）中。能够进行必要的调整，然后你就可以得到这个图表了。

　　这里特别介绍一下软件Cytoscape。因为它还可以放置很多插件，所以功能非常强大。这个软件的学习可能需要一些时间，但一般的掌握程度足以制作图像发布。

　　然后是这张桌子。

　　这张表可能是关键基因的汇总表。具体来说，我没有朝这个方向做。根据个人经验，文章即使没有它也可以发出。有兴趣的可以自己去了解一下。所以这个表就跳过了（我之前的回答提到过这种文献综述总结可以通过Cytoscape插件来实现。

　　然后是这张照片。

　　这张图叫做Frontier Subset Analysis，可以在GSEA中实现。所以我会和GSEA一起解释一下。

　　有些文章我们还能看到这张图：

　　之前文章已经讲过GSEA的用法了，你可以回去看看。

　　这里主要说一下这张图的用途。 GSEA 的富集分析不同于 DEG。 DEGs 看起来相当片面，只筛选出最突出表达的基因。然而，最重要的基因不一定是最重要的基因。有些基因可能表达水平低，根据证据没有检测到，但它们的表达即使有一点变化也能产生强烈的级联反应。而GSEA是从大局来分析的。对所有基因进行分析并综合富集，通过评分判断哪些基因或通路可能在该机制中发挥重要作用。

　　这张图可以为你之前的DEG提供一个全局的证明（其实我是想多拍几张图更好看）。

　　这样，这个1.3 SCI就快结束了。

　　不过需要澄清的是，近些年，盛欣文章井吹风的出现。如果不是很有创新性，一般很难发表。这个文章 是例行公事。如果你想模仿，除非想法很有趣，否则一般很难发表。想要更进阶，其实可以进入ncRNA这个领域，一不小心就可以出一波图表。

　　我在这里推荐一些网站 ncRNA。

　　TargetScanHuman 7.1

　　miRBase

　　解码miRNA-靶点、RNA-RNA和蛋白质-RNA相互作用的图谱。

　　这只是一个有意义的提及。开始吧，学了以后到处找网站这样的。

　　最后，这很重要。基于目前这个套路的呆滞，我建议如果你想发SCI，你应该加一点细胞实验来验证它。一个有规律的生活信套路加上另一个有规律的实验套路，也能产生一点微妙的体验。当然，如果目标是中文文章，那么盛信就够了。

　　啊，是的，抱歉，我转学编程了。

　　以上。