今天小果为大家带来的分享灰常灰常有用，对于很多小伙伴来说，免疫浸润分析是非常熟悉的分析内容，免疫浸润分析方法主要包括xcell,MCP-counter,timer,quantiseq，epic，cibersort，estimate等方法，但是这几种方法都有各自的R包来进行分析，有几种方法就需要安装和学习几种R包，对小白和初学者来说非常不友好，需要花费大量的时间，基于这种情况，小果为小伙伴推荐一个R包IOBR，该包直接可以完成多种算法的免疫浸润分析，每个算法都只需要一句代码完成分析，非常简单奥！小果强烈推荐，接下来跟着小果开始今天的分享学习。
- 安装IOBR包
首先小果为大家简单介绍一下如何安装和学习IOBR包，小果为小伙伴们附上网址：https://iobr.github.io/IOBR/IOBR-VIGNETTE.html，想深入学习的小伙伴可以到该网址学习。
#需要注意的是官网推荐使用github的方法来安装，但是由于网络问题，通过github安装非常非常慢，一般都不能安装成功，因此小果推荐直接下载安装包，进行本地安装，安装速度非常快！安装包可以到该网址下载：https://github.com/IOBR/IOBR。
#首先安装依赖的R包
if (!requireNamespace(“BiocManager”, quietly = TRUE)) install.packages(“BiocManager”)
depens<-c(‘tibble’, ‘survival’, ‘survminer’, ‘sva’, ‘limma’, “DESeq2″,”devtools”,
‘limSolve’, ‘GSVA’, ‘e1071’, ‘preprocessCore’, ‘ggplot2’, “biomaRt”,
‘ggpubr’, “devtools”, “tidyHeatmap”, “caret”, “glmnet”, “ppcor”, “timeROC”,”pracma”)
for(i in 1:length(depens)){
depen<-depens[i]
if (!requireNamespace(depen, quietly = TRUE))
BiocManager::install(depen,update = FALSE)
}
#安装IOBR包
install.packages(“IOBR-master.tar.gz”,repos=NULL,type=”source”)
#加载IOBR包
library(IOBR)
- 几种免疫算法的简单介绍
#quanTIseq算法简单介绍
quanTIseq是用于根据人类RNA-seq数据量化肿瘤免疫状况，通过反卷积量化样本中存在的10种不同免疫细胞类型的比例以及其他未表征细胞的比例。
#xcell算法简单介绍
xcell是基于ssGSEA的方法，可根据64种免疫细胞和基质细胞类型的基因表达数据进行细胞类型富集分析。
#TIMER算法简单介绍
TIMER用反卷积方法估算32种癌症中六种免疫细胞丰度，需要注意的是TIMER有在线的网站可以直接进行分析。
#EPIC算法简单介绍
EPIC使用约束最小二乘回归将负性约束条件纳入反卷积问题，从大量肿瘤样本的表达谱数据进行分析。
3.读取输入数据
#EXP.txt基因表达矩阵，行名为基因名，列名为样本名
dat <- read.table(“EXP.txt”,sep = “\t”,row.names = 1,header = T,stringsAsFactors = F,check.names = F)
- 通过IOBR包采用多种算法进行免疫浸润分析
#利用CIBERSORT算法进行免疫浸润分析
cibersort<-deconvo_tme(eset = dat, method = “cibersort”, arrays = FALSE, perm = 200 )
#利用EPIC算法进行免疫浸润分析
epic<-deconvo_tme(eset = dat, method = “epic”, arrays = FALSE)
#利用mcpcounter算法进行免疫浸润分析
mcp<-deconvo_tme(eset = dat, method = “mcpcounter”)
#利用xCELL算法进行免疫浸润分析
xcell<-deconvo_tme(eset = dat, method = “xcell”,arrays = FALSE)
#利用estimate算法进行免疫浸润分析
estimate<-deconvo_tme(eset = dat, method = “estimate”)
#利用TIMER算法进行免疫浸润分析
timer<-deconvo_tme(eset = dat, method = “timer”, group_list = rep(“stad”,dim(dat)[2]))
#利用quanTIseq算法进行免疫浸润分析
quantiseq<-deconvo_tme(eset = dat, tumor = TRUE, arrays = FALSE, scale_mrna = TRUE, method = “quantiseq”)
#连接7种算法免疫分析结果
tme_combine<-cibersort %>%
inner_join(.,mcp,by = “ID”) %>%
inner_join(.,xcell,by = “ID”) %>%
inner_join(.,epic,by = “ID”) %>%
inner_join(.,estimate,by = “ID”) %>%
inner_join(.,timer,by = “ID”) %>%
inner_join(.,quantiseq,by = “ID”)
#IPS免疫表型评分计算
ips<-deconvo_tme(eset = dat, method = “ips”, plot= FALSE)
最终小果成功的利用IOBR包算法进行了免疫浸润分析，包括CIBERSORT，EPIC，mcpcounter，xCELL，estimate，TIMER，quanTIseq 7种算法,最后还计算了免疫表型评分(IPS),该包分析效果非常不错，欢迎大家和小果一起讨论学习呀！免疫浸润相关分析内容，例如单样本富集算法分析免疫浸润丰度(http://www.biocloudservice.com/106/106.php)，计算64种免疫细胞相对含量(http://www.biocloudservice.com/107/107.php)，panImmune免疫浸润分析(http://www.biocloudservice.com/782/782.php)，基于基因表达谱估算样本免疫基质评分和肿瘤纯度(http://www.biocloudservice.com/114/114.php)等都可以用本公司新开发的零代码云平台生信分析小工具，一键完成该分析奥，感兴趣的小伙伴欢迎来尝试奥，网址：http://www.biocloudservice.com/home.html。今天小果的分享就到这里，下期在见奥。