基因功能推断的数据分析的重要性

一个基因它可以有很多转录本从而有很多蛋白质产物，所以会发挥很多生物学功能。而人类或者其它物种的基因都是一两万个，人脑几乎是不可能把每个基因对应的生物学功能背诵清楚的，就需要引入生物学功能数据库了。比如 （GeneCards、OMIMD、UniProt），或者（ msigdb ，KEGGG、Reactome），即使是这样其实也不够，因为这些数据库记录的都是过往的生命科学领域的研究的成果，极其的有限，而且遵循马太效应。

• “马太效应”（Matthew Effect），源自《新约·马太福音》中的一句话：“凡有的，还要加给他，叫他有余；没有的，连他所有的也要夺过来。”。在社会学和经济学中，这个效应描述了一种现象，即成功和资源往往会集中在已经成功或拥有资源的人或事物上，导致富者愈富，贫者愈贫。
• 在生命科学和基因研究领域，这种现象可能表现为对“明星基因”（即那些已经被广泛研究且已知功能的基因）的关注和资源投入远多于那些功能未知或研究较少的基因。这可能造成对某些基因的了解非常深入，而对其他基因的了解则相对有限。

比如癌症研究领域的明星基因主要是癌基因（oncogenes）或抑癌基因（tumor suppressor genes） ：

癌基因（Oncogenes）

癌基因通常促进细胞的生长和分裂，当它们发生突变或过度表达时，可能导致癌症的发生。

1. HER2（人表皮生长因子受体2）：在乳腺癌中的过表达与侵袭性和较差的预后相关。
2. EGFR（表皮生长因子受体）：在多种癌症中过表达，如肺癌、乳腺癌和结直肠癌。
3. KRAS：在多种癌症中突变，如胰腺癌、结直肠癌和肺癌。
4. BRAF：在黑色素瘤和其他癌症中突变。
5. MYCN：在多种癌症中过表达，与肿瘤生长和转移有关。
6. CCND1：在多种癌症中过表达，与肿瘤的侵袭性和转移有关。

抑癌基因（Tumor Suppressor Genes）

抑癌基因通常抑制细胞的生长和分裂，当它们发生突变或失活时，可能导致癌症的发生。

1. TP53：被称为“基因组的守护者”，在多种癌症中突变，包括肝癌、乳腺癌和肺癌。
2. BRCA1/BRCA2：与乳腺癌和卵巢癌的风险增加有关。
3. APC：在结直肠癌中突变，与肿瘤的早期发展有关。
4. VHL：在肾癌和某些其他癌症中突变。
5. PTEN：在乳腺癌和甲状腺癌中突变。
6. RBAP1A：在多种癌症中失活，与肿瘤抑制失活有关。

但并不是所有的基因都有很好的生物学背景

如果我们看这个INSIG1基因：https://www.genecards.org/cgi-bin/carddisp.pl?gene=INSIG1

会发现它确实是很少有明确建立好的生物学功能信息：

很少有明确建立好的生物学功能

如果我们看一个癌症研究领域的明星基因：https://www.genecards.org/cgi-bin/carddisp.pl?gene=TP53

很明显的是各个数据库都有关于tp53基因的功能的介绍：

各个数据库都有关于tp53基因的功能

破除“明星基因”效应

选择研究“明星基因”确实存在一些实际的优势和考量，比如：

1. 生物学背景清晰：
   • 明星基因通常有详尽的研究背景，其功能和在疾病中的作用已经被广泛研究。这使得研究者可以基于现有的知识构建假设和实验设计。
2. 资源丰富：
   • 由于这些基因已经被广泛研究，相关的实验材料（如抗体、基因表达载体、基因敲除/敲入模型等）更容易获得，实验设计和实施可能更加直接和方便。
3. 易于发表文章：
   • 明星基因由于其在科学界内的知名度，相关的研究可能更容易吸引期刊编辑和审稿人的兴趣，从而增加发表的机会。
   • 这些基因的研究结果可能对科学界有即时和明显的影响，因此可能被认为具有较高的学术价值。

然而，这并不意味着研究其他基因不重要或没有价值。实际上，对较少研究的基因进行研究可能会带来新的科学发现和突破。此外，随着技术的发展和研究的深入，一些非明星基因可能会因为新的发现而变成明星基因。科研人员在选择研究课题时需要平衡创新性和可行性，同时也要考虑到研究的长期影响和潜在的科学贡献。探索未知领域虽然风险更高，但潜在的回报也可能更大。

数据驱动的研究更容易定位到非“明星基因”

据驱动的研究方法在识别非“明星基因”或“暗物质”基因方面具有巨大潜力。随着高通量测序技术的发展，我们可以获取大量的基因表达数据、蛋白质组学数据、代谢组学数据等，进行多组学分析（Multi-omics analysis）。因为不依赖于先验假设，而是直接从数据中发现模式和关联，这使得研究者能够探索未知的生物学领域，发现新基因和新机制。然而，这些方法也面临挑战，如数据的复杂性、噪声处理、结果的生物学验证等，需要综合运用多种技术和方法来确保结果的可靠性。

比如2025的单细胞数据挖掘文章：《Single-Cell Sequencing and Machine Learning Integration to Identify Candidate Biomarkers in Psoriasis: INSIG1》，研究者们通过分析定位到了一个具有诊断意义的基因：INSIG1，但是它不是很出名。

这个基因的定位的过程，就是纯粹的单细胞数据挖掘了，很简单的把GSE162183这个单细胞转录组数据集进行降维聚类分群，因为里面的有psoriasis (Pso) group and the Control group两个分组，所以是可以做差异分析的。然后又定位到了t细胞的拟时序，就是：trajectory of T cell differentiation during psoriasis progression and identified TDEGs associated with T cell differentiation ，

然后还使用两个传统的bulk表达量芯片数据集做差异分析，就是：GSE14905 and GSE66511 ，然后机器学习构建诊断模型，几乎完美的区分了疾病组和正常组：

机器学习构建诊断模型

既然合理的定位到了INSIG1这个目标基因，但是它的生物学功能记录又很少很少，所以推断它的生物学功能就成为了重中之重。接下来我们会以7个笔记来说明如何进行合理的推断！