2024-06-16

生信小白的福利，利用quanTIseq算法进行免疫浸润分析

原创小果生信果 2023-08-30 19:00:15

生信人R语言学习必备

立刻拥有一个Rstudio账号

开启升级模式吧

（56线程，256G内存，个人存储1T）

小果今天给大家带来的分享绝对是生信热点分析内容，基于三种机器学习算法进行生存资料特征基因筛选，最终将三种算法获得的交叉基因作为我们的特征基因。

小果又来分享啦！今天小果为小伙伴带来的分享为利用quanTIseq算法进行免疫浸润分析，然后基于亚型分组信息文件，进行亚型间免疫细胞含量显著差异分析，该分析在肿瘤生信文章中必备的分析内容，非常值得小伙伴学习，小果强烈推荐呀！接下来跟着小果开启开始今天的分享学习。

1.quanTIseq算法介绍

在进行该分析之前，小果先简单介绍一下quanTIseq算法，quanTIseq基于反卷积算法，利用bulk samples的RNA_seq数据，可以对肿瘤样本中不同种类免疫细胞的组成进行预测，支持10种类型的免疫细胞，包括B cells，Classically activated macrophages (M1)，Alternatively activated macrophages (M2)，Monocytes，Neutrophils，Natural killer (NK) cells，Non-regulatory CD4+ T cells ，CD8+ T cells，Dendritic cells，Other uncharacterized cells。

这就是小果对该算法的介绍，想深入学习的小伙伴可以到该网址:https://icbi.i-med.ac.at/software/quantiseq/doc/index.html#Figure1

#首先下载quanTIseq流程分析脚本，如下文:wget https://icbi.i-med.ac.at/software/quantiseq/doc/downloads/quanTIseq_pipeline.sh#quanTIseq流程运行参数使用方法

2. 准备需要的R包

#安装需要的包install.packages("ggplot2")install.packages("ggsci")install.packages("tidyverse")install.packages("reshape2")install.packages("ggpubr")#加载需要的R包library(reshape2)library(ggpubr)library(ggplot2)library(tidyverse)library(ggsci)

3.输入数据

#EXP.txt，基因表达矩阵文件，行名为基因名，列名为样本信息。exp<-read.table("EXP.txt",header=T,row.names=1,sep="t",check.names=F)

4.利用quanTIseq算法进行免疫浸润分析

#将行名转化为列名exp<-rownames_to_column(exp,var="GENE")4.利用quanTIseq算法进行免疫浸润分析#quanTIseq进行免疫浸润分析bash quanTIseq_pipeline.sh --inputfile=exp.txt --outputdir=quanTIseqTest --prefix=quanTIseqTest --pipelinestart=deconinput表示基因表达矩阵，第一列为基因名，其他列为样本名。outputdir表示生成结果文件名prefix表示生成结果文件前缀pipelinestart表示quanTIseq分析流程，基因表达矩阵选用decon#生成结果文件为quanTIseqTest_cell_fractions.txt，该结果为计算的10种免疫细胞在不同样本中的含量，第一列为样本名，其他列为免疫细胞类型。

‍

5.不同亚型中quanTIseq算法计算的免疫细胞的显著差异分析

#读取quanTIseq分析免疫细胞组成结果文件immune<-read.table("quanTIseqTest_cell_fractions.txt",header=T,sep="t")#将Sample列”.”修改为”-”immune$Sample<-str_replace_all(immune$Sample,"\.","-")#亚型分组文件,行名为样本信息，第一列为样本信息，第二列为亚型分组信息。K3<-read.table("K3.txt",header=T,sep="t")

#合并免疫细胞组成文件和亚型分组文件final<-left_join(immune,K3,by=”Sample”)#长宽数据转换quanTIseq_cluster<-melt(final,id.vars=c("Sample","Cluster"))#设置列名colnames(quanTIseq_cluster)<-c("Sample","Cluster","celltype","quanTIseq")#绘制显著差异分析小提琴+箱线图boxplot_quanTIseq<- ggplot(quanTIseq_cluster, aes(x = celltype, y =quanTIseq ))+  labs(y="quanTIseq",x= "")+    geom_boxplot(aes(fill = Cluster),position=position_dodge(0.5),width=0.5)+   scale_fill_npg()+  #修改主题theme_classic() +    theme(axis.title = element_text(size = 12,color ="black"),                    axis.text = element_text(size= 12,color = "black"),                   panel.grid.minor.y = element_blank(),                   panel.grid.minor.x = element_blank(),                   axis.text.x = element_text(angle = 45, hjust = 1 ),                   panel.grid=element_blank(),                   legend.position = "top",                   legend.text = element_text(size= 12),                   legend.title= element_text(size= 12)  ) +  stat_compare_means(aes(group =  Cluster),                     label = "p.signif",                     method = "kruskal.test",#kruskal.test多组检验                     hide.ns = F)#隐藏不显著的#保存图片ggsave(file="quanTIseq.pdf",boxplot_quanTIseq,height=10,width=15)

最终小果成功的对不同亚型利用quanTIseq算法进行了免疫浸润分析，，看起来图片效果非常不错，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)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。

对了，如果大家还对其他生信的工具感兴趣的话，欢迎大家点击http://www.biocloudservice.com/home.html进行学习哦！