想要多做几篇纤维肌痛的前期基础，就开始学习别人的文章思路啦
IF5.5,题目真的好长，而且作者来自四个附属，同期还有类似papers online
主要是学习文章思路啦
背景略去，直接攻向材料方法偶哟
1. search strategy and inclusion criteria
分别从CEO和AE挖掘涉及PaCa病人的miRNA表达数据，对照哦包括良性胰腺疾病或者健康人，不足20个样本的排除，最终从561个GEO,62AE中只剩10个转录组用于分析。
2. data extraction and procesing
数据预处理：分位数标准化（具体可以参考statquest-Josh Starmer)或对数转换，并根据平台注释信息，将ID转换为通用名，得到表达矩阵，并分组。用pROC package计算最佳阈值，构建2*2列联表，得到每个miRNA二的FP,FN,TP,TN(？自我感觉这是关键一步)
3. diagnostic value assessment for miRNA
基于双变量（线性）随机回归模型，计算敏感性，特异性，标准误，95%CI，诊断比值比，阳性/阴性似然比，并画出ROC曲线，计算AUC,95%CI。在9个转录组中均有的miRNA作为分析数据，并根据AUC排序，筛选出TOP50。
metaregression探究基于Higgin's I^2 (I^2>50%)以评估异质性。
4.validating the prognostic significance of miRNA with TCGA data
从TCGA提取PaCa病人的miRNA表达和临床数据，经过Log2转换后得到的表达高低分为三组，即为高中低表达组，比较三组的K-M生存曲线，应用多变量Cox回归模型以验证哪些miRNA是总生存率，风险比率的独立文献因子。
5. pathway analysis of miRNA
首先使用miRWalk2.0预测miRNA的靶向基因集（p<.01)，而后提取TCGA中mRNA表达，并于miRNA的表达变化进行Pearson 相关分析（P<.05)，选取负相关（因为2者是负向调控，这就涉及到2者的作用机制啦，可以趁机补课啦）。miRNA-mRNA对子扔进cytoscape构建调控网络，并对靶向基因进行GO,KEGG enrichment analysis。
6. statistical analysis
general package for meta-analysis package。
数据处理细节
- 筛选出的TOP50 miRNA用TCGA数据验证，发现在癌症表达升高或降低（可能过高/低表达，但是是癌症的原因还是结果，不明确，相关不代表因果），5个与生存相关（可能促进/抑制癌症进展）；
2.选择很重哟啊，作者选择在癌症组织中过表达的9个miRNA,一并作为后续分析，不多不少；
3.配对mRNA,mRNA的方法可以是通过数据库，找出miRNA的靶向基因，再与表达变化负相关的mRNA取交集，就可以得到miRNA-mRNA pairs啦。
