Crispr/Cas9介導的遺傳學篩選 (Genetic Screens)已成為腫瘤表型與鑒定癌癥進展驅動基因的核心工具。標準流程是將慢病毒 sgRNA 文庫導入細胞或動物模型，經功能性壓力（增殖、轉移、藥物處理）富集或耗竭特定 sgRNA，再通過高通量測序量化豐度變化，即可在無偏好前提下找出與表型相關的必需基因或耐藥基因。

在Crispr screen技術進步同時，如何分析和發(fā)掘Crispr screen得到的數(shù)據(jù)也是一個巨大的挑戰(zhàn)。與傳統(tǒng)轉錄組、蛋白組數(shù)據(jù)相比，CRISPR 篩選產生的計數(shù)矩陣維度更低、噪聲來源更多（如慢病毒滴度、編輯效率、細胞倍增速率等），且需同時估計 sgRNA 水平與基因水平的競爭適應度，這對統(tǒng)計模型提出迥異的要求。一般至少并行 2–3 種互補策略對Crispr screen數(shù)據(jù)進行分析，通過一致性評分或投票機制降低假陽性。

Cancer CRISPR Screening Data Analysis Platform (OncoCRISPRDB)可用于腫瘤Crispr數(shù)據(jù)再挖掘和分析腫瘤的各種表型下基因功能及通路情況。OncoCRISPRDB整合了多種腫瘤模型及實驗條件下Crispr Screen數(shù)據(jù)，可以實現(xiàn)多種算法下功能基因篩選、通路分析、通路下基因相互作用分析和跨表型基因和通路的研究，同時支持客制化的分析參數(shù)以及可視化方式。

OncoCRISPRDB有三個核心步驟：數(shù)據(jù)收集，數(shù)據(jù)分析和可視化工具。該數(shù)據(jù)庫整合161個數(shù)據(jù)集，涵蓋1082個樣本，精心篩選并適配 7 種針對CRISPR Screen數(shù)據(jù)的算法，實現(xiàn)對數(shù)據(jù)的基因，通路，表型層面的探索。

OncoCRISPRDB平臺的數(shù)據(jù)源自GEO數(shù)據(jù)庫，涵蓋從2016年2月至2024年9月期間收集的腫瘤基因在CRISPR Screen中的數(shù)據(jù)。數(shù)據(jù)經過嚴格的篩選，以確保其質量和相關性。再經過臨床信息分組，基因名的轉化及數(shù)據(jù)清洗，我們得到了涉及92種細胞系、32種腫瘤類型，50種藥敏相關表型和21種與腫瘤轉移相關表型的腫瘤基因數(shù)據(jù)。

在 Crispr Screen 模塊，用戶可以自由選擇3種算法。每種算法均有至少80個數(shù)據(jù)集可供探索，并提供氣泡圖，火山圖，Rank圖。

通路分析模塊使用了clusterProfiler包中的GSEA算法進行通路得分計算，支持從The Molecular Signatures Database (MSigDB)數(shù)據(jù)庫中手動挑選的 8691 條常用的腫瘤相關基因集。數(shù)據(jù)結果可視化支持 GSEA Plot，Ridge Plot，Pathway correlation Plot和Dot Plot 4種形式。

相互作用分析模塊，DCE (Differential Causal Effects)算法用于通過比較正常細胞和癌細胞的基因表達數(shù)據(jù)來檢測信號通路中的異常調控。該方法基于因果推斷的統(tǒng)計框架，能夠 識別在癌癥細胞中異常調控的特定基因相互作用（即通路中的邊），同時考慮混雜因素的影響跨表型基因。該模塊支持KEGG數(shù)據(jù)庫中 220條KEGG通路下的基因相互作用分析 (注：部分數(shù)據(jù)部分通路缺失不支持)

表型相似度分析模塊 使用GSEA算法模擬各類表型之間的相似度。將 各表型下基因得分進行排序，在匯總所有表型的基因集后， 使用GSEA算法對每種表型計算富集得分ES (Enrichment Score)。高ES得分表明該基因集與該表型之間的關聯(lián)性較強。該模塊的分析結果以GSEA圖，Ridge圖以及Bar圖的形式呈現(xiàn)。

跨表型基因分析模塊實現(xiàn)深入探索 不同表型或類似表型下不同實驗組中 功能基因的表現(xiàn)。其對 任意兩個數(shù)據(jù)集進行Z-score標準化處理，確保數(shù)據(jù)處于同一尺度，從而消除不同數(shù)據(jù)集之間的量綱和量級差異。

通過CRISPR Screen數(shù)據(jù)分析，挖掘關鍵基因和通路，為腫瘤研究提供新的策略。