TCGA数据库建模后GEO数据库或ICGC数据库验证

Question

使用TCGA 的 LIHC数据构集建了一个包含5个lncRNA的生存预后模型，内部数据集验证挺不错的，但是使用外部数据集（GSE14520以及ICGC肝癌）做验证时居然找不到这5个lncRNA，谁能帮帮我哈？模型如下： risk score = AL031722.1 expression* (-0.246917061576047) + AC015908.3 expression* (-0.178616640082393) + AL031985.3expression* 0.317991474159641 + LUCAT1 expression* 0.110874567602666 + PCCA-DT* 0.0266570817050312

Answer 1

该回答引用ChatGPT

有可能是由于两个数据集的差异性导致的。虽然两个数据集都是肝癌数据，但是不同的实验条件、处理方法、测序平台等都会导致基因表达的差异。在使用外部验证数据集时，可以进行以下步骤来解决问题：

1、确认外部数据集中是否存在这5个lncRNA。可以使用基因表达数据进行一次基本的筛选，看看是否有这些基因的表达数据。如果没有，那么这个结果很可能就是假阳性的。

2、如果外部数据集中确实有这些基因，那么可以考虑使用一些数据归一化方法，使得两个数据集具有更好的可比性。例如，可以使用一些常用的归一化方法，如RPKM、TPM等。

3、如果上述方法仍然无法解决问题，可以考虑使用一些基于转移学习的方法，将已有的内部数据集的知识迁移到新的外部数据集上，从而得到更准确的预测结果。

、、、、、、、、、、、、、、、、、、、、、、、、、、、、
以下代码只是提供一种思路，具体实现需要根据数据进行相应的调整。

1、首先，需要检查一下GSE14520以及ICGC肝癌数据集中是否包含这5个lncRNA，可以使用以下代码：

# 读取GSE14520数据集的表达矩阵
library(GEOquery)
gse <- getGEO("GSE14520")
exprs <- exprs(gse[[1]])

# 检查表达矩阵中是否包含这5个lncRNA
lncRNA_list <- c("AL031722.1", "AC015908.3", "AL031985.3", "LUCAT1", "PCCA-DT")
colnames(exprs) %in% lncRNA_list

2、如果GSE14520中包含这5个lncRNA，则可以直接使用模型进行验证；如果不包含，则需要在GSE14520中查找与这5个lncRNA高度相关的基因，作为代替品进行模型验证。

# 在GSE14520中查找与这5个lncRNA高度相关的基因
library(biomaRt)
ensembl <- useMart("ensembl")
ensembl <- useDataset("hsapiens_gene_ensembl", mart=ensembl)
lncRNA_list <- c("AL031722.1", "AC015908.3", "AL031985.3", "LUCAT1", "PCCA-DT")
result_list <- list()

for (i in lncRNA_list) {
  # 通过基因名获取基因ID
  gene_id <- getBM(attributes = "ensembl_gene_id", filters = "external_gene_name", 
                   values = i, mart = ensembl)
  if (nrow(gene_id) == 0) {
    next
  }
  # 通过基因ID获取与之高度相关的基因
  result <- getBM(attributes = c("ensembl_gene_id", "external_gene_name"), 
                  filters = "correlation_with_" + as.character(gene_id[1,1]), 
                  values = list(c(-1, 1)), mart = ensembl)
  result_list[[i]] <- result$external_gene_name
}

# 对每个lncRNA的相关基因列表去重并合并
related_genes <- unique(unlist(result_list))

3、对GSE14520的样本进行预测，计算生存风险得分，并进行生存曲线分析。

# 获取GSE14520数据集的临床信息
library(Survival)
gse_clinical <- GSE14520_clinical_data
gse_clinical$OS_MONTHS <- as.numeric(gse_clinical$OS_MONTHS)
gse_clinical$OS_EVENT <- as.numeric(gse_clinical$OS_EVENT)

# 对GSE14520的样本进行预测
exprs <- exprs[,colnames(exprs) %in% related_genes]  # 只选取与这5个lncRNA高度相关的基因
risk_score <- rowSums(exprs * c(-0.246917061576047, -0.178616640082393, 0.317991474159641,