作者首先同时分析三个数据集，将差异上下调miRNA分别取交集，

得到共同下调的miR-100-5p，并且在胃癌组织中也证实了该miRNA的下调。

然后通过做森林图和生存曲线，作者发现高表达的miR-100-5p预后差。

图片

接着，通过WGCNA，作者找到了和miR-100-5p相关性最高的一个模块。

将该模块的基因和miR-100-5p的预测靶基因取交集，得到271个潜在的靶基因。

图片

接着作者通过分子分型，利用271个交集基因的表达谱，将TCGA-STAD数据集样本分为了两个亚型。

个人认为，作者这部分的分析纯属凑数据，毫无逻辑。

图片

然后作者对这271个交集基因进行LASSO回归和多因素Cox回归分析，

并对最后得到的9个基因进行预后模型构建。

图片

通过生存分析和ROC曲线分析，证实了该预后模型的预后价值和诊断价值。

图片

进一步，用预后模型的风险评分联合其他临床变量构建列线图模型，

并通过校准曲线和DCA曲线验证了该列线图模型的性能。

图片

接下来，作者就对预后模型的风险评分展开了多角度的分析。

首先是分析了风险评分对免疫浸润的影响。

图片

然后是风险评分对生物学功能和通路的影响。

图片

然后是风险评分对化疗和免疫治疗的影响。

图片

最后是风险评分对预后的影响。