生物信息分析论文发表

较难的。看你的研究。所以Shirley将生物信息学研究。的水平划分成五个层次。此外，Shirley不区分生物信息学（Bioinformatics）和计算生物学，因此这两个概念不做区分。在这里咱再重复一遍，生物信息学和计算生物学的区别，0级 (Level 0)：为建模、而建模Shirley在博客里提到说“如果你记得功夫熊猫”，问题是我没记得这个，脑子里想的是《憨豆的黄金周》里那段nothing, nothing, nothing… 原博举的例子是，之前有人问：现在数据这么多，能建模的东西一大把，那我们该干点啥呢？Shirley就问：你想解决啥问题？答：建模的问题。

生物信息学和系统生物学是两个很有意义，也应该受到更多关注，采用的研究方法和研究领域，只要你选对了新颖有意义的研究方向，设计了非常严谨的实验，并且得到了令人信服的结果并描述得当，我想还是和其他领域的文章一样可以发表在顶级杂志的。如果科学家仅仅将自己当成数学家、统计学家、计算机科学家、物理学家，因为在这些学者各自的领域里，确实有许多好的理论建模问题。但如果这些学者是认真对待生物信息学的研究，这个回答不OK。许多0级生物信息学家们从来不读或者不发表生物学期刊上的论文，也不参加生物学的会议，因此这个级别属于“未入门级”。根据人以类聚，物以群分的原则，0级生物信息学家们通常只阅读自己或者其他0级生物信息学家的论文，并且，并且引用也是自引或者被同级别的学者引用。

生信分析论文写法如下：

这次我们来讲解的这边文献是 2019-10-12 发表的 OTT 杂志上的一篇生信加少量实验验证的文章。实话实说，目前对于生信最最最基本的，如果没有实验验证还是不好发文章的。所以一般都会加一些实验验证的。

这个文章的主要流程是个这样的:这里我们就基于文童的材料方法来说一下具体的内容:公共数据获取：当中关于公共数据获取部分提到了这些东西。使用了 GEO 数据库来进行候选数据筛选。

这 GEO 里面找到了三个芯片，其中描述了这三个芯片的平台。差异表达分析：作者使用了 GEO2R 来进行数据的筛选。富集分析：接着作者对差异表达的基因进行了富集分析，其中包括 GO 分析和 KEGG 分析。

作者使用的富集分析的软件是 DAVID，这个软件我们也吐槽过说，更新不及时，是很好用，所以推荐是 WebSestalt 富集分析软件，或者 clusterprofiler。蛋白相互作用分析：5TCGA 数据库验证再往下作者做的其实是 TCGA 的数据库验证，但是在材料方法里面没写。我们可以在结果当中具体的过程。

对于肿瘤研究，现在如果只是用 GEO 数据集分析，不用 TCGA 再看一下的话，都觉得不好意思，所以一般的肿瘤研究可能都会用到 TCGA 的验证的。其目的也就类似于多加了一个数据集来增加结果准确性。但是对于 TCGA 有些肿瘤正常样本很少。分析的结果可能偏差更大。文章使用的 GEPIA 的数据库。这个数据库对于查询 TCGA 表达结果还是很好用的，简单上手。

核心基因甲基化相关分析：在核心基因选择之后，利用了 TCGA 的甲基化数据MEXPRESS 来查看基因的田基化水平有没有变化。由于版本的更新。现在的这个数据库的 2.0 版本的结果会比之前的更加详细一些。