31  结果

在串联文章结果的过程中，我们需要首先明确研究的目标或问题，并围绕这一目标或问题来组织我们的结果。以下是根据本教程数据分析的结果展示了如何将关键发现串联起来：

图 31.1: Figure 1: Schematic workflow of this study

Figure 1: Schematic workflow of this study.

首先，我们通过整合两个大的数据来源，构建了一个整合的肝癌数据集。这一步骤为我们后续的差异基因分析提供了坚实的基础。基于这个数据集，我们运用统计方法识别出了在早晚期肝癌中表达差异显著的基因。这些差异基因不仅为我们揭示了肝癌发展过程中的分子变化，而且为候选标记物的筛选提供了候选列表。

接下来，我们利用机器学习技术，从差异基因中筛选出具有潜在临床价值的候选标记物。通过构建分类模型并进行交叉验证，我们确保了候选标记物在区分早晚期肝癌方面的准确性和可靠性。这些候选标记物不仅具有高度的区分能力，而且与肝癌的分期等临床信息密切相关。

为了验证候选标记物的有效性，我们进行了关联分析和外部数据验证。通过比较候选标记物与肝癌患者的免疫浸润细胞的相关性，我们进一步证实了这些标记物在肝癌诊断中的潜在价值。同时，我们利用外部数据集对候选标记物进行了验证，确保了其在不同人群中的普适性和可靠性。

此外，我们还对差异基因进行了功能分析，以深入了解这些基因在肝癌发生和发展中的潜在作用。这些发现不仅为我们提供了关于肝癌生物学特性的新见解，而且为未来的治疗策略提供了理论基础。

综合上面的分析过程，本次研究的结果暂时可以设置为六个部分，它们分别是（差异基因、功能探究、免疫浸润分析、筛选标记物、目标基因关联分析、单细胞水平验证目标基因）：

  1. 肝癌早晚期的差异基因识别；

  2. 肝癌早晚期的功能区别；

  3. 肝癌早晚期的免疫浸润细胞差异；

  4. 机器学习识别的潜在候选基因标记物；

  5. 基因标记物SLC6A8和免疫细胞的相关性；

  6. 基因标记物SLC6A8在单细胞水平上表达一致性分析.

31.1 Supplemental Figure1

图 31.2: Supplemental Figure 1: PCA of multiple types of gene expression matrix for batch removal on merge data cohort (LIHC-US and LIRI-JP).

31.2 Figure2

(a)
(b)
图 31.3: Figure 2: DEGs between the early-stage group and the late-stage group in HCC merge dataset (LIHC-US and LIRI-JP).

31.3 Figure3

在流程图中，功能分析是从差异基因衍生出的分析环节，其之所以独立成为一个章节，是因为相较于其他分析方向，此处更适宜作为上下文的衔接点。

(a)
(b)
(c)
(d)
图 31.4: Figure 3: Functional analysis of DEGs between the early-stage group and the late-stage group in HCC merge cohort.

31.4 Supplemental Figure2

图 31.5: Supplemental Figure 2: GSVA enrichment analysis of gene expression matrix between the HCC early stage and late stage in merge data.

31.5 Figure4

(a)
(b)
(c)
(d)
图 31.6: Figure 4: Evaluation and visualization of immune cell infiltration between the HCC early stage and late stage in merge cohort.

31.6 Supplemental Figure3

(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
图 31.7: Supplemental Figure 3: Machine learning algorithms to screen potential diagnostic markers from DEGs between the HCC early stage and late stage in merge data.

31.7 Figure5

(a) A1
(b) A2
(c) B
(d) D
(e) C
(f) E
图 31.8: Figure 5: Validation and ROC of SLC6A8 diagnostic marker identified from the merge datasets by multiple machine learning algorithms.

31.8 Supplemental Figure4

(a)
(b)
图 31.9: Supplemental Figure 4: 10 overlapping genes screened from machine learning algorithms were validated in the validation cohort.

31.9 Figure6

(a)
(b)
(c)
(d)
图 31.10: Figure 6: Correlation between SLC6A8 and 21 immune cells.

31.10 Figure7

(a)
(b)
(c)
(d)
图 31.11: Figure 7: SLC6A8 expression in single-cell GSE149614 transcriptomic dataset.

31.11 撰写结果

现在可以将文章的研究成果划分为以下几个主要部分：

  1. Identification of DEGs in the HCC early stage and late stage；

  2. Functional analysis of DEGs by GO and KEGG enrichment analysis；

  3. Significant changes between two stages in immune cells by ImmuneCellAI；

  4. Potential gene biomarkers identified by multiple machine learning approaches；

  5. Correlation analysis between SLC6A8 and immune cells；

  6. Expression level of SLC6A8 in single-cell transcriptomic data；

现在主要的点在于怎么撰写结果。在撰写研究结果部分时，建议首先明确地提出几个数据分析中观察到的最显著的趋势或模式。这些关键点应简洁地反映出研究的核心成果。比如:

  • 第一部分

We conducted an analysis to identify differentially expressed genes

A total of 137 genes exhibited significant enrichment in the early-stage group

  • 第二部分

To delve into the potential biological implications of differentially expressed genes (DEGs)

Furthermore, through Gene Set Enrichment Analysis (GSEA)

  • 第三部分

Utilizing the ImmuCellAI, a cutting-edge immune cell infiltration algorithm

  • 第四部分

To identify potential gene biomarkers that can distinguish between the early and late stages of HCC

Subsequently, we extracted 10 intersection biomarkers

To identify diagnostic markers among the six genes

  • 第五部分

Utilizing Spearman correlation,

  • 第六部分

Utilizing t-SNE visualization based on the Seurat-class object

Subsequently, we segregated the cells into two groups analysis.

在撰写研究结果时，可以采取一种逐步细化的方法。