我们到9分SCI需要跨越几个银河系？

小编最近看了一篇发表在THORAX上的文章，题目为“Gene correlationnetwork analysis to identify regulatoryfactors in idiopathic pulmonary fibrosis”，影响因子为9.655，四舍五入就是10呀！回头想想自己，四舍五入就是0呀！科研愁就是漫无边际的黑洞，我在这头，高分文章在那头，中间可能隔着无数跨越不过去的银河系......不过仔细看过这篇文章后，本小编突然斗志昂扬，感觉自己也可以发高分的SCI啦，仿佛自己家里有矿一样自信！

下面就让我们看看，这篇文章都干了啥，竟让小编可以如此自信~

这篇文章研究的并不是最热门的癌症，而是特发性肺纤维化（idiopathicpulmonary fibrosis，IPF），这是一种慢性、进行性、纤维化性间质性肺疾病，病变局限在肺脏，好发于中老年人群，IPF诊断后的平均生存期仅2.8年，死亡率高于大多数肿瘤，IPF被称为一种“类肿瘤疾病”。可以看出IPF虽不是癌症，但其死亡率较高，仍需要我们高度的重视。

数据均来源于GEO：GSE47460，GSE72967，GSE93606，GSE53845和GSE110147。

关于文章研究的整体工作体现在下方的流程图中，可以直观的了解到分析的方式主要集中于差异表达分析，加权基因共表达网络分析以及富集分析等。

差异表达分析

将GSE47460中IPF和对照组样本随机分成两个非重叠组，每个IPF组与两个对照组分别进行比较从而确定差异表达的基因，选取被重复识别的基因定义为差异表达基因，最终识别出6425个差异表达的基因，并且进行主成分分析，IPF和对照样本之间表现出良好的分离。

加权基因共表达网络分析

基于加权基因共表达网络分析（WGCNA），使用差异表达的基因来确定两个IPF组之间的共表达基因及模块，最终共识别出16个模块，并根据个基因的Fold Change值来确定模块的上调或下调，最终获得6个在IPF中上调的模块和10个在IPF中下调的模块。

同时识别IPF组中与肺功能相关的模块，发现diffusion capacity（DLCO）与8个模块相关，forced vital capacity（FCV）与5个模块相关。

生物功能和转录因子的富集分析

利用gProfileR测定模块生物功能，确定每个模块显著富集的GO和Reactome pathways，同时，还采用Cytoscape中iRegulon插件对每个模块的转录因子进行识别，并且采用GSE47460和GSE72967数据集识别与模块相关的miRNA，最终识别到16个模块中富含25个转录因子和21个miRNA。

生存分析

最后利用IPF患者诊断时外周血标本，结合RNA基因表达和生存数据(GSE93606)，确定各模块的临床相关性，并且用多变量Cox的比例风险模型评估每个模块在预测存活中的影响，最终确定有4个模块与生存显著相关，其中关联性最大的模块的总体一致性可以达到0.777，矫正后p值为0.001。

总体看来，这样的思路并不是很复杂，但是工作扎实，内容详细，不过如果以这样的方法去研究常见的癌症，小编觉得应该还是很难发到这么高的点数的，所以有的时候换个角度，或许就可以拨开云雾见明月啦~