外泌体多组学06-血清外泌体中miRNA的有效数据量

文章信息

• 文献标题：MicroRNAs in Serum Exosomes as Circulating Biomarkers for Postmenopausal Osteoporosis
• Doi：https://doi.org/10.3389/fendo.2022.819056
• 发表时间：Front. Endocrinol., 10 March 2022
• 作者：Qun Cheng，上海老年医学研究所老年代谢性骨病研究室，复旦大学附属华东医院骨质疏松与骨病科

血液的组成：

血液的组成

血浆与血清的区别：https://zhuanlan.zhihu.com/p/163663517

image.png

我的关注

• 血清外泌体中miRNA的有效数据量是多少？

Serum Exosome Characterization

通过透射电镜、蛋白印迹和NTA结合从参与者中分离的外泌体进行鉴定：Size=100nm；exosomal markers：TSG101 and CD63

FIGURE 1 | Characterization and identifification of serum exosome by ultracentrifugation

用miRBase 数据库中的已知miRNA序列进行已知miRNA鉴定，并差异分析： 相对于对照组（18个样本），严重骨质疏松组(SOP组，16个样本)分别有169个显著上调miRNAs 和70个显著下调miRNAs (p-value<0.05 and {log2FC|>1)

FIGURE 2 | Differentially expressed miRNAs in serum exosomes between SOP and control library

文章的数据

URL：https://figshare.com/articles/dataset/MicroRNAs_in_serum_exosomes_for_postmenopausal_osteoporosis_-_A2-Sg_expr_xls/17086307

到此，发现整个文章的内容其实没什么好看的，特别是还有好几个错误。看这篇文章就是其中有一句话：

建库测序

文中使用了一个过滤指标：

We filtered out all the samples with library size (total uniquely mapped reads) <50,000 reads.

将文章中的数据下载下来，统计每个样本鉴定出来的sRNA看看：

rm(list=ls())
library(ggplot2)
library(reshape2)
library(ggsci)

data <- read.delim("count.xls")
data <- data[,c(1,2,4)] %>% melt(id.vars="Sample.name",variable.name="sRNA_Type",value.name="Num")
head(data)
data$sRNA_Type <- gsub(".count","",data$sRNA_Type)

ggplot(data, aes(x=Sample.name, y=Num,fill=sRNA_Type)) +
  geom_bar(stat="identity", position = "dodge",width = 0.8)+
  geom_text(aes(label=Num), vjust = -0.5, position=position_dodge(width=0.6))+
  xlab(label = NULL)+ylab(label = "sRNA Num")+
  theme_bw()+ theme(panel.grid.major=element_blank(),panel.grid.minor=element_blank())+
  scale_fill_nejm()
  
ggsave(filename = "miRNA_Stat.png",width = 16,height = 7)

image-20220426002814209.png

再结合前面的五种外泌体中sRNA数据饱和度评估](https://www.jianshu.com/p/5f187ec55f22)

五种外泌体中sRNA数据饱和度

此回文章回顾得新意~