在上本“三区升一区”的期刊分享后，小伙伴关注度很高，那生信塔继续帮大家挖宝！
今天介绍的又是个升级“一区TOP”的期刊——Journal of Genetics and Genomics（J GENET GENOMICS）。根据3月20最新公布的分区，该期刊从中科院生物学3区升为1区TOP！
J GENET GENOMICS主要发表基因组学和功能基因组学领域的研究，包括但不限于分子遗传学、细胞遗传学、表观遗传学、医学遗传学和进化遗传学等，再叠加上6.6分的一区TOP分区，而且还无需版面费，作为国自然研究基础，相当有说服力！
当然，我们重点关注的“生信分析”、“数据挖掘”等方向，该期刊也是非常友好的！生信塔就给大家找了篇“生信分析”的范文，供大家参考复现！
这篇范文是由清华大学团队完成的，团队整合大规模单细胞数据集，构建了具有开创性的uniLIVER人类肝脏细胞图谱；在分析技术上，开发了基于机器学习的分析框架，创新性地引入基因组变异分析概念，实现疾病状态下细胞类型组成的改变和细胞状态变化的系统研究。
（ps：生信分析还能否发顶刊？对于这种无需版面费的一区TOP期刊来说，需要在分析思路或者方法上有足够创新才可以。像本文这种的“单细胞+机器学习”的分析思路，展示了生信分析的强大发文潜力。如果你想发表纯生信，那就需要对套路化的分析流程进行升级，想吃到生信的红利，欢迎滴滴生信塔，这里不仅有分析技术，更有创新的分析思路，为你的研究上大分！
）
题目：uniLIVER：用于数据驱动细胞状态的人类肝细胞图谱
研究背景
单细胞/单核RNA测序（sc/snRNA-seq）技术的突破，为在转录组水平上建立肝脏的单细胞分辨率参考细胞图谱提供了巨大机会。作者团队计划通过整合分析大规模的正常人类肝脏sc/snRNA-seq数据集，建立统一的肝脏细胞图谱。
研究思路
构建人类肝脏细胞图谱：收集多个正常人类肝脏单细胞转录组数据集（包含来自6个数据集的79个样本和331,125个细胞），构建了统一的肝脏细胞图谱uniLIVER。通过多层次的细胞类型注释，识别出63种细胞类型/亚型以及正常肝脏中不同小叶区域的肝细胞。
开发基于机器学习的细胞类型映射框架LiverCT：提出了一种数据驱动策略，通过机器学习框架LiverCT，将任何查询数据集映射到正常参考图谱上。利用该框架，可以识别查询细胞中的“偏离”状态和“中间”状态细胞，并对肝细胞进行小叶区域定位。
分析肝脏疾病的细胞组成和状态变化：将LiverCT应用于多个异常条件（包括多种肝脏疾病）的数据集，系统地研究了肝癌中细胞类型组成和细胞状态的变化。发现了肝癌中几乎所有的细胞类型都显著偏离正常状态，且T细胞的偏离分数与应激反应通路特征呈正相关。
探索肿瘤细胞的中间状态和预后关联：发现具有高中间分数的癌细胞表现出强烈上调的糖酵解和缺氧通路，并且这些细胞的上调基因与预后不良基因显著重叠。通过分析肝细胞癌（HCC）肿瘤细胞的小叶区域定位倾向，发现其与多种恶性特征和免疫、基质细胞类型组成高度相关，并定义了新的HCC亚型，其中HCC_P亚型患者预后最差。
研究结果
1. uniLIVER人类肝脏细胞图谱的构建
作者收集了6个数据集的79个正常人类肝脏样本，整合分析后形成包含331,125个细胞的正常参考图谱。基于统一的层级注释框架，识别出8种主要细胞类型（Level 1）和17种稳定的细胞类型（Level 2），并注释了肝细胞在肝小叶不同区域（中央区、中间区、门脉区和门脉周围区）的分布。
作者开发并应用了一种统一的层级注释框架（uHAF），整合不同研究中的细胞类型标签，解决了不同研究间细胞类型定义不一致的问题。使用 scANVI 工具去除不同研究间的批次效应，并进行无监督图聚类，实现了对正常肝脏细胞的深度注释。利用空间转录组数据对肝细胞的小叶区域异质性进行注释，发现肝细胞在小叶不同区域的基因表达模式与已知的研究结果高度一致。
2肝脏疾病的细胞组成变化分析
将 LiverCT 应用于包含439个异常样本的12个数据集，发现肿瘤组织中的大多数细胞类型（如肝细胞、胆管细胞和粒细胞）与正常参考相比显示出显著的偏离状态，提示这些细胞在疾病状态下发生了明显的变化。对于肿瘤相关的巨噬细胞（如 MMP9+ 宏噬细胞），其偏离分数普遍较高，表明这些细胞类型在肿瘤微环境中的独特性和潜在的病理作用。
3. 中间状态分析揭示与不良预后相关的肿瘤细胞群
LiverCT 计算查询细胞的中间分数，发现肿瘤样本中 CD4-CD8、Mono-Macro、HSC-VSMC 和 LSEC-VEC 等细胞对之间存在高比例的中间状态细胞。对肝癌样本的恶性上皮细胞进行分类，发现肝细胞-胆管细胞对之间的中间状态肿瘤细胞具有独特的基因表达特征，这些特征与细胞生长、发育、糖酵解、缺氧等恶性通路相关。中间状态肿瘤细胞的基因表达特征与预后不良基因列表存在显著重叠，且在 TCGA 队列中，中间基因特征评分较高的患者总体生存率较低。
4. 肿瘤细胞小叶区域定位倾向分析
借助 LiverCT 的第二个模块，将肝细胞癌（HCC）肿瘤细胞映射到三个小叶区域状态（P状态、M状态和C状态），并根据不同患者的肿瘤细胞小叶区域分布，将患者分为三种亚型（HCC_P、HCC_M和HCC_C）。不同亚型的 HCC 患者表现出独特的基因表达特征和预后差异，其中 HCC_P 亚型患者的总体生存率最低，且其肿瘤微环境富含免疫抑制性的 SPP1+ 肿瘤相关巨噬细胞和 FOXP3+ CD4 T 细胞。
文章小结
相比较生信塔之前分享的套路性明显的文章，本文的研究思路稍显特殊。作者借助于公共数据中的单细胞测序数据，利用机器学习等分析工具，实现疾病状态下细胞类型组成的改变和细胞状态变化的系统研究。整体创新性不错，能发到一区TOP，值得给大家推荐！如果小伙伴需要发纯生信，那你就需要生信塔提供的升级思路了，不只是照着文献复现套路，而是更创新的方法，协助小伙伴吃到生信的红利！
生信塔公众号持续为大家带来最新生信思路，更多创新性分析思路请点击往期推荐，快来查看吧！想复现这种思路或者定制更多创新性思路欢迎直接call生信塔，我们团队竭诚为您的科研助力！
