第1篇
原文：Integrative analysis of gene expression and DNA methylation through one‐class logistic regression machine learning identifies stemness features in medulloblastoma
解读：“肿瘤干细胞”用生信怎么玩
1-干性指数的计算：源于一篇Cell文献（必读）。
2-连续性变量的界值选取：还可以使用‘cutp’ function of the R package ‘survMisc’ (https://cran.r-project.org/web/packages/survMisc) with default parameters.
训练集和验证集的划分，还可以使用‘createDataPartition’ function of the R package ‘caret’ (https://cran.r-project.org/web/packages/caret)【虽然我一般使用人工划分的方式】
3-干性指数与临床分型的相关分析比较简单，两种干性指数与预后的分析（单因素、多因素）。本文预后分析发现，仅SHH型的预后与干性有关，此后的分析都是局限于SHH型中。
4-根据干性指数的高低进行分组，然后筛选DEG，在这些DEG里再寻找与预后有关的基因，然后再使用Cox-LASSO降维得到最终的23基因。这一步的逻辑有点奇怪，筛选到的基因，可以解释为：既与预后有关，也与干性相关的基因。
得到的23基因预后模型，再使用R包的选取界值方法，分成高危组和低危组，得到生存曲线的对比。
5-干性与免疫微环境的相关性分析：这个图可以借鉴。
image.png
6-CMap分析来识别新的靶向特征的候选药物。
这篇文献只读了个大体思路和实现流程，但是没有仔细分析思路的合理性、连贯性等细节（好的研究应该是一环扣一环）。有时间回来再辩证读读。
