機械力這個熱點大家一定不陌生吧，小雲前幾天剛為大家安利過：單細胞+分子分型+機器學習就能發JTM？熱點基因集【機械力】才是重點！CMap數據庫也是加分項~，這種小眾熱點往往給人的印象會更深刻。當時就有不少朋友投票會考慮用它做生信，小雲今天想說，看好了就不要考慮啦，你在糾結的時候，同行團隊已經行動起來啦~
下面帶大家看看西南醫大團隊是怎樣拿下JHEP Reports（1區Top，IF=7.5）的吧~
題目：IL4I1+巨噬細胞通過響應生物力學線索驅動肝癌進展
上面那篇文章側重點在基因集，而這篇文章的側重點在細胞。
作者直接從單細胞公共數據入手，篩選力學敏感的細胞亞群，定位到一個巨噬細胞亞群，巨噬細胞的研究熱度不用小雲多說，國自然上榜常客，選題上與這個細胞掛上鉤，競爭力不言而喻，此外，力學與巨噬細胞聯合分析，創新性是極高的！
確定了細胞之後，又通過空轉數據對細胞亞群進行空間定位；隨後，又對該細胞亞群進行免疫浸潤以及GSVA分析；此外，還進行了藥物篩選；最後，還基於機器學習構建了SuperPC 預後模型。當然，作者還做了體內外實驗驗證，乾濕結合接收概率更高。
所以，這篇文章無論是選題，還是設計思路質量的非常高，即使不加複雜驗證實驗，這篇文章的分數也低不了（保守估計，3分起步）。不過，這篇文章復現起來難度也不小，對服務器算力要求比較高，小雲有帶GPU的各種配置服務器供大家選擇~
數據來源
單細胞：GSE151530、GSE149614，來自GEO；
空間轉錄組：225847_D4和226334_D5_2，來源於10X Genomics數據庫；
Bulk轉錄組：GEO數據庫（GSE116174和GSE43619）、ICGC數據庫（ICGC-LIRI-JP）和TCGA數據庫（TCGA-LIHC）；
力學基因集：79個（PMID: 39037695）。
生信思路拆解
1）基於單細胞數據進行分群分析，並通過CellChat進行細胞通訊分析；
2）結合79個力學相關基因開發了一個機械評分系統，篩選HCC中力學響應最顯著的細胞類型；
3）對巨噬細胞進一步分群，並再次根據機械評分確定關鍵亞群，並進行擬時序和預後相關性分析；
4）基於空轉數據，使用空間機械評分定義低機械(LM)和高機械(HM)區域，分析關鍵亞型的空間分布；
5）免疫浸潤以及基因集變異分析（GSVA）分析。
6）基於TCGA數據的腫瘤藥物預測平台，篩選敏感藥物；
7）用IL4I1+巨噬細胞力學特徵構建SuperPC機器學習模型用於HCC患者風險分層、以及預後預測；
8）實驗驗證（細胞力學模型、裸鼠模型、AFM 力學檢測）。
主要結果（生信部分）
細胞通訊分析，發現巨噬細胞活性最高，顯示出最高的配體-受體相互作用數量和強度。此外，機械評分分析發現，巨噬細胞表現出更高的機械敏感性。
巨噬細胞進一步分為七個不同的亞群，其中IL4I1+巨噬細胞表現出最高的機械響應性。偽時序分析將IL4I1+巨噬細胞定位在終端分化狀態。生存分析顯示，具有高評分的患者生存率顯著更低。
空轉分析表明，IL4I1+巨噬細胞在HM區域顯著富集，這一模式通過RCTD算法得到了證實。
在TCGA中使用ssGSEA分析量化並可視化了28種免疫細胞亞型的浸潤特徵。高IL4I1+巨噬細胞組富集Treg、MDSC 等免疫抑制細胞，伴隨PD-1/TIM3/LAG3等耗竭標誌物高表達，驅動免疫逃逸。
GSVA顯示高IL4I1+巨噬細胞評分樣本中癌變通路顯著富集，包括腫瘤增殖、癌症幹細胞、轉移潛力、耐藥性和免疫抑制，高評分與較高的轉移潛力、微血管侵襲、癌症幹細胞和複發率相關。
通過oncoPredict分析了TCGA-LIHC隊列中的藥物反應，並將SB505124定位為針對IL4I1+巨噬細胞介導的HCC進展的有前途的治療候選藥物。
雲生信點評
對於這篇文章小雲只是展示了生信分析部分的結果，其實從生信結果看這個思路就很完整了，實驗佔比很低。文章憑藉創新的選題和思路，最終9成生信拿下1區7.5分，實至名歸！
小雲還是那句話，看好機械力這個熱點的話就抓緊入手，搞不定分析歡迎直接聯繫小雲，助力你的科研之路走的又快又好~
