发表于 Science 05 Oct 2018 ， 文章是：Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage 小细胞癌症里面最出名的应该是小细胞肺癌(SCLC)了，恶性度高,预后差,治疗上进展也比较少。小细胞肺癌大约占所有肺癌的15%,每年全国有十几万新发的小细胞肺癌患者,其中绝大多数患者诊断的时候就已经是晚期。所以针对它的研究，就有点类似于乳腺癌里面的TNBC一样。
有趣的是，大部分公众号解读这篇文章的标题都侧重于指出：Science:如何将健康细胞癌化?只需五个基因
一些名词：

• small cell neuroendocrine carcinoma (SCNC)
• reprogrammed prostate and lung SCNCs
• small cell prostate cancer (SCPC)
• small cell lung cancer (SCLC)
• euroendocrine prostate cancer (NEPC)
• poorly differentiated prostate adenocarcinoma (PrAd)
• large cell prostate carcinoma
  很多不同器官的癌症会发展成具有很强侵略性的小细胞癌，也称为小细胞神经内分泌癌（SCNC）来抵制治疗。不同器官的癌症类型是否通过相同途径转变成SCNC细胞还不清楚。肺癌、前列腺癌、膀胱癌和其他组织的小细胞癌在名称上是相似的，但是临床医生通常把它们当作不同的实体来治疗，然而，在过去的几年里，研究者们逐渐开始认识到癌症有相似之处。
  关键发现：前列腺和肺细胞在健康时有着非常不同的基因表达模式，但是当它们转化成小细胞癌时，几乎具有相同的模式。研究表明，不同类型的小细胞瘤的演变相似，即使它们来自不同的器官。

  3种ngs组学测序数据

  通过将带有五个基因的人类前列腺细胞(统称为PARCB)移植到小鼠体内，探索了癌症类型之间的潜在相似之处。当这些细胞在小鼠体内生长时，它们显示出人类小细胞神经内分泌癌的独特特征，基因如下；
  
  不同基因的组合的分组就可以通过NGS手段来探索他们的差异。
  GSE118204 包含另外3个GSE数据集，分别是RNA-seq，Whole Exome-seq，ATAC-seq 所以完全看懂这篇文献需要会的数据分析能力要求有点高。
  | gse | info |
  | —————————————————————————————— | —————————————————————————————— |
  | GSE118204 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (ATAC-seq) |
  | GSE118205 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (Whole Exome-seq) |
  | GSE118206 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (RNA-seq) |
  | GSE118207 | PARCB Project: Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage |
  但是作者的分析结果主要集中于 RNA-seq和ATAC-seq，看了看应该是Whole Exome-seq数据是没有配对正常组织测序结果来辅助寻找somatic的mutation信息。

  首先看 RNA-seq数据分析结果

  转录组的分析流程是：
  
  通过上面的分析流程得到表达量矩阵后，作者最重要的分析点是强调这些不同组别的细胞系的相关性，如下：
  
  携带着PARCB的SCNC细胞（PARCB-SCNC细胞）与来自人体的小细胞前列腺癌（small cell prostate cancer, SCPC）细胞存非常相似,，如下图，SCLC和PARCB聚集在一起。
  
  这些分析都需要比较强的背景知识，还有对公共数据的把控能力。

  然后看ATAC-seq数据分析结果

  同样也是先看看其数据分析流程：
  
  因为数据都是公布出来的，所以可以比较轻松的下载下来，走一波我的教程：https://www.jianshu.com/p/5bce43a537fd 看看能不能得到同样的分析结果图表。
  主要也是根据信号值来进行PCA等看看不同组的相关性如何，如下图：
  
  文章关于ATAC-seq数据独特的分析点不多，就：
  

  联合分析

  对于RNA-seq和ATAC-seq数据的联合分析，作者做得并不多，流程描述如下：
  
  能放在正文的分析结果也不多，如下；
  
  分析没啥难点，解读就这样吧。