Oncomine數據庫是目前世界上最大的癌基因芯片數據庫，截止目前已經收集了近800個基因表達數據庫以及90000多個癌組織和正常組織的樣本數據，這些芯片數據都是別的課題組上傳的，而我們要做的只是學會應用，拿別人的數據，發表自己的文章。這種好事兒，顯然，只要隨便在pubmed上搜索下，就可以發現基於該數據庫的文章已經不少了！

Oncomine數據庫一大特點就是分析過程簡便快捷，並提供了多種分析。
1、 差異分析
分析單/多個基因在×××中的表達量，這種分析在我們平時用的最多，在發表的SCI文章中也經常把Oncomine差異分析結果作為一個補充數據，也可以協助基礎研究來篩選基因，設計課題方向。

那麽Oncomine數據庫差異分析如何實現呢？？？
差異分析具體流程：
(1) 進入左上角檢索框中輸入gene symbol (例如這篇文章中輸入MnSOD)；
(2) Primary Filters: Analysistype-Differential Analysis;
(3)Cancertype-kidney cancer-ccRCC;
(4)然後還可以根據自己要求設定相應的條件，包括P-value, Fold change以及gene rank 。

2、 共表達分析
分析單個基因在某種×××中的共表達基因。找到共表達基因，可以進一步對這些共表達基因做進一步GO分析以及通路富集分析。下面我們來看一下如何完成共表達分析。

（1）進入左上角檢索框中輸入gene symbol (例如這篇文章中輸入MnSOD)；（2）分析類型選擇Coexpression Analysis ；
（3）接著可以選擇相應感興趣的數據集；
（4）最後，網頁上就會出現共表達基因圖。

2、 meta分析
按照上述1中的流程分析下來，我們會發現結果中出現了多個數據集，這些數據集的結果不統一，那麽怎麽將這些數據集做一個整合性分析呢？在Oncomine數據庫也是可以完成的，且聽小編慢慢道來。

第一步：按照差異分析流程做下來
第二步：勾選自己需要的數據集前的小方框（這裏我們選前三個數據集做演示），然後點擊“Compare”，界面右側就會出現：
Median Rank以及P-Value就是三個數據集整合性分析的結果。通過Oncomine的meta分析，可以讓我們的分析結果更加準確，增加我們後續實驗研究的可靠性。

Oncomine數據庫功能非常強大，除了可以完成上述的差異表達、共表達以及meta分析外，還可以進行Outlier分析，同時也可以對某一×××類型的不同亞型做進一步的分析。

除了Oncomine數據庫外，類似好用的工具和數據庫有很多，比如GEPIA/FunRich等，還有神秘的SangerBox可視化軟件。掌握和靈活運用這些工具，可以極大的提升科研效率，更是零成本SCI發表利器。

零成本SCIwwwhj8828coml8O88049999文章發表利器Oncomine數據庫