建立疾病相关ceRNA网络的思路大致是：首先筛选在疾病中显著差异表达的lncRNA（circRNA）、miRNA和mRNA，然后预测它们之间的互作关系，就可以建立一个ceRNA网络。由于ceRNA网络建立起来方法单一，也很容易出结果，几乎每一种肿瘤都被建立过ceRNA网络，并且在2019年之前online了。不过，没有赶上童鞋们莫急，还是有机会的，让我们瞅瞅这篇文章都干了些啥，有哪些亮点。
01 鉴定在KIRP中显著差异表达的RNA
将TCGA数据库中KIRP数据集中癌和癌旁的RNA-seq数据进行差异表达分析，筛选到1,832 DEmRNA(853 up-regulated and 979 down-regulated)，1,036 DElncRNA (458 up-regulated and 578 downregulated) 和 93 DEmiRNA (42 up-regulated and 51 down-regulated)。
02 差异mRNA功能分析
对显著上调和下调的mRNA分别进行GO和KEGG富集分析。（亮点1：除了常规的气泡图和条形图外，作者还绘制了KEGG网络图，图种将mRNA的名称、foldchange、富集通路、和富集数都进行了展示，很精美）。
03 CeRNA网络建立
miRTarBase和miRcode预测DEmRNA、DElncRNA和DEmiRNA之间的互作关系。
04 蛋白互作网络（PPI）分析
把ceRNA网络中的mRNA挑出来，单独建立蛋白互作网络，探究网络中mRNA对预后的影响，结果发现7个mRNA中有6个都显著与预后有关。
05 筛选生物标志物和构建预后模型
作者首先用单因素Cox回归方法从ceRNA网络中筛选了显著与预后相关的RNAs，然后用stepwise regression 筛选最佳特征基因（亮点2）。最后确定了8个RNAs构建预后模型。Risk score = 0.320∗GF2BP3 C 0.624∗PLK1 C 0.356∗LINC00200 - 0.817∗NCAPG C 0.484∗CENPF - 0.332∗GAS6_AS1 C 0.130∗miR_217 - 0.241∗LRRC4。
06 8个RNAs表达与临床分期的关系
与预后不良显著相关的RNA的表达量会随着临床分期的上升而上升，与预后良好显著相关的RNA的表达量会随着临床分期的上升而下降（亮点3）。
07 8个RNAs与肿瘤类型的关系
KIRP有两种亚型type 1和type 2。其中type 2有更差的预后。与预后不良显著相关的RNA在type 2中的表达量显著高于type 1，与预后良好显著相关的RNA在type 2中的表达量显著低于type 1（亮点4）。
看完全文，小姐姐找到4个亮点：
1）KEGG网络图；
2）筛选特征基因方法新颖（stepwise regression）；
3）特征基因分别在不同临床分期中进行表达水平比较；
4）特征基因分别在不同肿瘤亚型中进行表达水平比较。
不过感觉2021年做这些工作再发5分很困难了，这篇文章其实还有很多地方可以补充的，例如：“构建预后模型”，我们可以将工作细化，把样本分为训练集和测试集，这样得到的结果更加可信；“特征基因表达与临床分期的关系”，这里我们可以再对其他临床特征进行拓展，例如：年龄、TMN分期、性别等等；对于建立的预后模型，我们可以再用其他数据库的数据进行外部验证，并且可以用单因素和多因素Cox回归分析验证其临床独立性；对于预后模型预测出的高低风险患者，我们可以做一个基因富集分析（GSEA）比较不同组患者富集通路的差异，也可以比较两组患者的免疫细胞浸润情况及肿瘤突变负荷情况。当然，我们还可以加一些实验验证，例如：qPCR、WB、免疫组化验证一下特征基因在KIRP上的表达差异，或者是在不同临床分期上的表达差异；双荧光素酶报告实验，验证网络中lncRNA-miRNA-mRNA的调控情况等等。
