公司标准分析报告如何发Q1且IF 5+文章？

最近看到一篇非常有意思的文献，文献标题为《Transcriptome dataset of omental and subcutaneous adipose tissues from gestational diabetes patients》，作者来自 美国密歇根州立大学。这篇文献实在是太经典了，仅仅是 2*2分组常规 bulk 转录组测序即可，并且可以毫不夸张的说：根本无需任何生物学背景就发出来了！

下面来看一看，瞧一瞧，学习怎么利用公司的标准流程分析报告发文章~

首先是文章的实验设计，仅仅是给了一个表格

取样为 来自 自5个妊娠期糖尿病患者和匹配的5个对照组的皮下和大网膜脂肪组织（AT），展示了这10个patient的一些年龄、BMI、胰岛素等指标。

Table 1

接着是 样本的实验指标如RIN值

比如转录组建库的时候要求的 RNA 浓度、RIN值（一般建库要求RIN>8，表示RNA是否发生降解）。

Table 2

数据量展示

接着文章给出了 每个样本的数据量，包括测序前的原始测序数据量，以及过滤后的数据量，过滤前后的数据损失比例。

这里的数据量一般指 fq数据 中 每个样本测了多少条read，使用M=1000,000来表示，每个样本测了 多少个碱基，使用G=1000,000,000 表示。

Table 3

数据量在我们的转录组授课中进行了特别强调，因为很多人都 搞不清楚 fq的物理存储大小的G（即所占磁盘空间），以及 测序数据量的G（即10亿）。

原始fq的fastqc质控图

第一个图展示了fq数据的每个每个碱基质量值分布，第二图为每条序列的平均碱基质量值分布，第三幅图为每条序列的GC含量密度曲线图。这些图片的详细解释也在我们的 转录组授课 中进行了非常详细的介绍，数据质量好的时候不好的时候都呈现一个什么样的分布。

Fig. 1

Hisat2比对结果展示

A图为hisat2数据总比对率的柱状图，B图为featurecount定量指标的堆积柱状图。一般样本的数据总比对率高于90%，还需要关注一下唯一比对率。

Fig. 2

样本相关性指标图

定量完后拿到一张样本表达矩阵，就可以进行下游分析了，比如差异分析前检查一下样本分组，使用样本相关性热图，样本PCA分析图。除此之外，我们的转录组课程还介绍了层次聚类，样本表达总体分布的箱线图、小提琴图、密度曲线图。

这里的一个重要指标为：样本的组内相关性一定高于组间。

Fig. 3

差异分析结果展示

每种组织的单独PCA分析以及差异结果的MA图展示（可以看得出来，每次差异分析里面的组间差异不明显，反而是组内的样品异质性很大，这样的话就会导致差异基因很少很少，所以 有些差异本来就是不应该很明显）

Fig. 4

功能富集分析展示

每种组织的差异分析结果使用hallmark 通路进行功能富集分析，看到这里 我不禁怀疑，这个作者 知道hallmark通路里面都是什么生物学相关的通路吗？

Fig. 5

妊娠期糖尿病患者并不是肿瘤，理论上不需要的hallmark通路注释，所以说发这个期刊做这样的文章压根就不需要什么生物学背景！

三张表格，五张图片，文章到此，戛然而止！

全部分析流程如下：

我们随便网上找一篇公开的示例标准分析报告可能都比这强啊：https://www.bioincloud.tech/cloudir/reports/transcriptome/%E7%BB%93%E9%A2%98%E6%8A%A5%E5%91%8A.html