医学科研离不开临床医生啊

最近听到了太多的声音，说不需要让临床医师做科研，耽误了他们的治病救人的本职工作不说，还破坏了纯洁的学术氛围。对于这样的说法我是嗤之以鼻的，因为没有临床实践提出来科学问题医学科研基本上都是空中楼阁啊！

哪怕是一个生命科学领域的博士生，没有上过临床，对科研的想象也是有限度的，比如大家都知道可以做癌症研究，普通人能想到的实验设计是可以探索癌症的生物学特性、机制、治疗响应以及疾病进展。以下是一些常见的实验设计类型，包括但不限于：

1. 癌症与正常组织的差异分析：
   • 比较癌症组织和正常组织的基因表达、蛋白质表达、代谢物水平等，以识别癌症特异性的生物标志物。
2. 癌症转移与否的差异分析：
   • 对原发性肿瘤和转移性肿瘤样本进行比较，以揭示与转移相关的分子机制和潜在靶点。
3. 耐药与否的差异分析：
   • 研究对治疗药物敏感的癌症细胞与耐药癌症细胞之间的差异，以了解耐药性的分子基础。
4. 癌症发展阶段的差异分析：
   • 比较癌症早期和晚期样本，以识别癌症进展过程中的分子变化。
5. 癌症亚型之间的差异分析：
   • 根据不同的癌症亚型（如乳腺癌的Luminal、Basal等）进行比较，以了解它们之间的生物学差异。
6. 治疗响应与非响应的差异分析：
   • 对接受相同治疗的患者样本进行比较，以区分治疗响应者和非响应者的特征。
7. 细胞周期和凋亡分析：
   • 研究癌症细胞在不同生物学过程中的变化，如细胞周期调控和程序性细胞死亡。
8. 肿瘤微环境分析：
   • 研究肿瘤细胞与其周围基质细胞、免疫细胞和细胞外基质的相互作用。
9. 癌症干细胞研究：
   • 探索癌症干细胞的特性，以及它们在癌症发生、发展和治疗中的作用。
10. 基因编辑和功能验证：
    • 使用CRISPR-Cas9等基因编辑技术敲除或敲入特定基因，以研究其功能和在癌症中的作用。
11. 药物筛选和组合治疗：
    • 筛选潜在的抗癌药物，并研究不同药物组合的协同效应。
12. 患者来源的异种移植（PDX）模型：
    • 使用患者来源的肿瘤细胞在免疫缺陷小鼠上建立模型，以研究肿瘤生物学和评估治疗方法。
13. 生物信息学和系统生物学分析：
    • 利用计算方法分析大规模的生物数据，构建癌症的系统生物学模型。
14. 临床样本的纵向研究：
    • 收集患者在治疗前后的样本，以研究疾病动态变化和治疗的影响。
15. 跨疾病比较研究：
    • 比较不同类型癌症之间的分子特征，以发现共同的生物学机制。

这些实验设计有助于全面理解癌症的复杂性，并为开发新的诊断工具、治疗策略和预防措施提供科学依据。

但是如果没有上过临床，仅仅是能根据文献看到了癌症的发生发展情况以及名字而已：

没有临床实践一个人怎么可能凭空想象到肝细胞癌（HCC）中的微血管侵犯（MVI）是指肿瘤细胞侵入肿瘤周围小血管（毛细血管、小静脉或血窦）内腔的现象。MVI是HCC患者肿瘤复发和预后不良的重要风险因素。理解和识别MVI对制定治疗决策和预测结果至关重要，比如2023年6月份的单细胞文献：《Single-cell dissection of the multicellular ecosystem and molecular features underlying microvascular invasion in HCC》，做了单细胞转录组数据（46,789 individual cells from 10 samples of MVI+ (MVI present) and MVI- (MVI absent) patients）， 对应的数据集是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE242889

GSM7774394_1NT_P21.tar.gz 83.3 Mb
GSM7774395_2NT_P24.tar.gz 102.8 Mb
GSM7774396_3NT_P25.tar.gz 34.4 Mb
GSM7774397_4NT_P29.tar.gz 173.6 Mb
GSM7774398_5NT_P36.tar.gz 76.3 Mb
GSM7774399_1T_C21.tar.gz 122.1 Mb
GSM7774400_2T_C24.tar.gz 208.8 Mb
GSM7774401_3T_C25.tar.gz 161.8 Mb
GSM7774402_4T_C29.tar.gz 203.0 Mb
GSM7774403_5T_C36.tar.gz 146.4 Mb

大家可以读取上面的表达量矩阵文件，只需要下载上面的每个样品的压缩包文件解压即可：

tree -h 
[ 416]  .
├── [ 160]  1NT_P21
│   ├── [145K]  barcodes.tsv
│   ├── [639K]  genes.tsv
│   └── [ 83M]  matrix.mtx
├── [ 160]  1T_C21
│   ├── [146K]  barcodes.tsv
│   ├── [682K]  genes.tsv
│   └── [121M]  matrix.mtx
├── [ 160]  2NT_P24
│   ├── [143K]  barcodes.tsv
│   ├── [662K]  genes.tsv
│   └── [102M]  matrix.mtx
├── [ 160]  2T_C24
│   ├── [156K]  barcodes.tsv
│   ├── [683K]  genes.tsv
│   └── [208M]  matrix.mtx
├── [ 160]  3NT_P25
│   ├── [ 68K]  barcodes.tsv
│   ├── [1.4M]  genes.tsv
│   └── [ 33M]  matrix.mtx
├── [ 160]  3T_C25
│   ├── [177K]  barcodes.tsv
│   ├── [1.4M]  genes.tsv
│   └── [160M]  matrix.mtx
├── [ 160]  4NT_P29
│   ├── [203K]  barcodes.tsv
│   ├── [713K]  genes.tsv
│   └── [173M]  matrix.mtx
├── [ 160]  4T_C29
│   ├── [205K]  barcodes.tsv
│   ├── [704K]  genes.tsv
│   └── [202M]  matrix.mtx
├── [ 160]  5NT_P36
│   ├── [131K]  barcodes.tsv
│   ├── [1.4M]  genes.tsv
│   └── [ 75M]  matrix.mtx
└── [ 160]  5T_C36
    ├── [156K]  barcodes.tsv
    ├── [1.4M]  genes.tsv
    └── [145M]  matrix.mtx 

然后一个简简单单的循环读取即可走Seurat的降维聚类分群啦，比如文章里面的第一层次降维聚类分群：

• 7,419 T/NK T cell and NK cell cells (CD3E and killer cell lectin like receptor D1)
• 3,982 B cells (CD79A)
• 18,164 myeloid cells (lysozyme)
• 3,258 endothelial cells (plate- let and endothelial cell adhesion molecule 1)
• 1,008 mesenchymal cells (Actin Alpha 2)
• 1,506 hepatic progenitor cells [hepatic progenitor cells (HPCs)
• epithelial cell adhesion molecule] and 11,452 malignant cells (Transferrin)

如下所示展示单细胞亚群分类和标记基因的结果：

然后就是每个单细胞亚群细致的探索罢了，做文章类似的生物信息学分析：

• preprocessing and quality control of scRNA- seq data
• cell type determination and marker gene signature identification
• doublets removal
• collection and calculation of functional gene module signatures and scores
• pathway analysis
• Single-Cell rEgulatory Network Inference and Clustering analysis
• cell developmental trajectory
• cell-cell communication analysis
• copy number variation analysis from scRNA-seq
• infiltration estimation of cell subsets and infiltration estimation of the CLAMT