目前免费公开的数据库有很多，之前我们反复强调，了解他们可以大大提高科研效率，甚至可以直接利用这些数据库发表SCI文章，由于不需要实验数据，快狠准，所以广受欢迎。

Oncomine数据库是目前世界上最大的癌基因芯片数据库，截止目前已经收集了近800个基因表达数据库以及90000多个癌组织和正常组织的样本数据，这些芯片数据都是别的课题组上传的，而我们要做的只是学会应用，拿别人的数据，发表自己的文章。这种好事儿，显然，只要随便在pubmed上搜索下，就可以发现基于该数据库的文章已经不少了！

Oncomine数据库一大特点就是分析过程简便快捷，并提供了多种分析。
1、 差异分析
分析单/多个基因在×××中的表达量，这种分析在我们平时用的最多，在发表的SCI文章中也经常把Oncomine差异分析结果作为一个补充数据，也可以协助基础研究来筛选基因，设计课题方向。

那么Oncomine数据库差异分析如何实现呢？？？
差异分析具体流程：
(1) 进入左上角检索框中输入gene symbol (例如这篇文章中输入MnSOD)；
(2) Primary Filters: Analysistype-Differential Analysis;
(3)Cancertype-kidney cancer-ccRCC;
(4)然后还可以根据自己要求设定相应的条件，包括P-value, Fold change以及gene rank 。

2、 共表达分析
分析单个基因在某种×××中的共表达基因。找到共表达基因，可以进一步对这些共表达基因做进一步GO分析以及通路富集分析。下面我们来看一下如何完成共表达分析。

（1）进入左上角检索框中输入gene symbol (例如这篇文章中输入MnSOD)；（2）分析类型选择Coexpression Analysis ；
（3）接着可以选择相应感兴趣的数据集；
（4）最后，网页上就会出现共表达基因图。

2、 meta分析
按照上述1中的流程分析下来，我们会发现结果中出现了多个数据集，这些数据集的结果不统一，那么怎么将这些数据集做一个整合性分析呢？在Oncomine数据库也是可以完成的，且听小编慢慢道来。

第一步：按照差异分析流程做下来
第二步：勾选自己需要的数据集前的小方框（这里我们选前三个数据集做演示），然后点击“Compare”，界面右侧就会出现：
Median Rank以及P-Value就是三个数据集整合性分析的结果。通过Oncomine的meta分析，可以让我们的分析结果更加准确，增加我们后续实验研究的可靠性。

Oncomine数据库功能非常强大，除了可以完成上述的差异表达、共表达以及meta分析外，还可以进行Outlier分析，同时也可以对某一×××类型的不同亚型做进一步的分析。

除了Oncomine数据库外，类似好用的工具和数据库有很多，比如GEPIA/FunRich等，还有神秘的SangerBox可视化软件。掌握和灵活运用这些工具，可以极大的提升科研效率，更是零成本SCI发表利器。