学无止境，但科研成果可以先发表！比如药物重利用这个尤其注重证据链完整性的发文领域，要怎么用公共数据，不做实验闯进去，达成SCI发表呢？雪球今天介绍这篇1个月前新发的文献就为你提供了一些思路。
拆解完成后，
雪球会再带着大家总结文章亮点，
高分秘诀都在里面哦！
Single-cell systems network and machine learning dissection of ferroptosis in recurrent glioblastoma highlights astrocytic ZFP36 as a therapeutic hub for network medicine repurposing
复发胶质母细胞瘤中铁死亡的单细胞系统网络和机器学习解析揭示星形胶质细胞ZFP36是网络医学再利用的治疗枢纽
期刊：European Journal of Cancer
IF：7.1
发布时间：2026/03/26
单细胞RNA测序数据处理与分析
从GEO数据库（GSE174554）下载86对配对患者数据，使用Seurat v4.4.0进行SCT转换归一化，Harmony整合，UMAP降维，Clustree确定聚类分辨率（0.2）。
鉴定出星形胶质细胞（n=21,106）、小胶质细胞（n=768）、新生少突胶质细胞NFO（n=2,357）、髓鞘化少突胶质细胞MYO（n=3,514）；OPC仅在pGBM中发现（n=1,297），rGBM中缺失。
Fig 3 rGBM肿瘤胶质细胞中基因的基因-基因互作网络分析
肿瘤细胞鉴定与细胞比例分析
使用CopyKAT算法评估非整倍性，结合胶质细胞类型标志物进行整合分析。
UMAP密度图确认pGBM和rGBM中肿瘤胶质细胞的富集；星形胶质细胞是两种GBM中最主要的胶质细胞类型，其次为小胶质细胞和NFO。
转录距离与差异基因表达分析
scDist算法评估转录距离；差异基因表达（DEGs）分析；通路富集分析。
仅星形胶质细胞和小胶质细胞在rGBM中显示显著转录距离；星形胶质细胞有561个上调、452个下调基因（MDM2、NRG3高表达）；小胶质细胞有389个上调、347个下调基因（DPP10、CLU高表达）；两种细胞类型均富集铁死亡通路。
基因共表达网络构建
基于DEGs计算相关性构建共表达网络；与FerrDb v2铁死亡基因集（驱动因子和抑制因子）取交集。
星形胶质细胞网络中55.4%基因上调、44.6%下调；小胶质细胞网络中52.8%上调、47.2%下调；鉴定出33个星形胶质细胞铁死亡相关基因和27个小胶质细胞铁死亡相关基因。
Fig 4 在基因-基因互作网络中的铁死亡基因的机器学习
机器学习与网络中心性联合分析
三种机器学习模型（随机森林RF、支持向量机递归特征消除SVM-RFE、Lasso回归）结合网络中心性参数（度、介数、接近中心性、PageRank）。
SVM-RFE最适合星形胶质细胞（10折交叉验证准确率95%CI=0.839-0.847，AUC=0.885），RF最适合小胶质细胞（80折交叉验证准确率95%CI=0.706-0.717，AUC=0.718）；筛选出16个星形胶质细胞和2个小胶质细胞铁死亡枢纽基因；排名前四的星形胶质细胞基因为SAT1、ZFP36、RBMS1、TLR4，小胶质细胞为FTH1。
独立数据集验证
使用第二个独立rGBM单细胞数据集（Abdelfattah等），相同方法提取肿瘤星形胶质细胞和小胶质细胞，DotPlot分析
SAT1、ZFP36、TLR4在两个数据集的星形胶质细胞中均上调，RBMS1表达不一致；FTH1在两个数据集小胶质细胞中表达相反；排除RBMS1和FTH1，保留SAT1、ZFP36、TLR4进行后续分析。
Fig 5 可替宁与 STAT3/IL6 蛋白之间的预测相互作用
Fig 6 肿瘤星形胶质细胞中，铁死亡枢纽基因的排名，表达与生存分析
关键枢纽基因优先级排序与功能注释
综合中心性和特征重要性评分；构建ZFP36直接相互作用子网络；通路富集分析；转录因子重叠分析；与已知铁死亡基因构建子网络；TCGA和CGGA队列 bulk RNA-seq表达和生存分析。
ZFP36在所有参数中得分最高且在rGBM患者中高表达；ZFP36子网络富集组氨酸代谢、苯丙氨酸代谢、ErbB和Wnt信号通路；FOS与ZFP36强正相关；ZFP36与TXNIP（促进ROS和铁死亡）、NNMT（调节ROS、脂质过氧化和GSH）直接相互作用；与NEAT1（铁死亡抑制因子）、EGR1和SAT1（铁死亡驱动因子）正相关；ZFP36在rGBM bulk水平显著上调；高表达ZFP36患者总生存期显著更差（log-rank p=0.0037）。
网络医学药物重定位
构建综合药物-靶点网络；网络邻近性分析计算ZFP36与其他靶点的最短距离；筛选Z-score≤-1.5的药物；基于结构和通路相似性进一步筛选。
鉴定24种潜在药物；ZFP36与3种MAP激酶相互作用（MAPK14：22种药物，MAPKAPK2：1种药物，MAPK1：1种药物）；提示靶向这些MAP激酶的药物可能结合ZFP36。
分子对接与分子动力学模拟
对筛选出的4-Phenoxy-N-(Pyridin-2-Ylmethyl)Benzamide进行分子对接和分子动力学模拟。
该药物结合ZFP36的可成药结合位点，调节其结构，支持ZFP36作为rGBM治疗靶点的潜力。
这篇文章的套路经典又高效，把以下分析技术巧妙组合在一起：
单细胞+机器学习筛选靶点-网络药理学药物重定位-分子动力学验证，数据获取容易，实验需求低。
尤其适合迁移至各种难治性肿瘤，开展老药新用课题的前期工作。
老药新用研究范式在临床转化中的挑战
是挑战也是有希望填补的发文空白！
血脑屏障穿透能力
细胞类型特异性与微环境影响
剂量窗口与药效动力学
筛选得出的生物标志物的临床快速检测手段
想把当前适合发表的高性价比方案变成真正属于自己的发文成果，要么自己有时间调研、有能力复现分析，要么善于借力，找到适合自己的陪跑交付团队。
雪球老师作为一位7年+服务经验的科研导师，已带领科研服务团队（从0到1，成员90+人）陪跑4000+生信/临床项目，并顺利拿到成果，涵盖发表SCI、标书申请、硕博毕业等重大场合。
想做多模态的高水平文章，数据质量、统计分析、算法整合等多个环节缺一不可。👇找雪球老师，来一场证据链完整、陪跑安心的SCI交付吧！
