免疫浸润分析是生物信息学研究中的一项关键内容，它旨在评估肿瘤微环境中不同类型的免疫细胞组成。免疫细胞在肿瘤发展和治疗中起着至关重要的作用，因为它们可以影响肿瘤的生长、扩散和对治疗的响应。
为了了解免疫细胞在肿瘤中的分布和数量，研究人员使用多种计算工具和算法，其中一些常用的方法包括：
-
MCPcounter：通过估计微环境中不同类型免疫细胞的丰度，以及炎症程度，从而评估肿瘤免疫浸润情况。
-
EPIC：这是一种全基因组免疫浸润分析工具，它可以估算肿瘤样本中多种免疫细胞的含量和功能状态。
-
xCell：通过整合大量公开数据集，xCell可以预测肿瘤样本中多种免疫细胞类型的数量。
-
IPS：这是一种预测肿瘤样本中多种细胞类型丰度的算法，包括免疫细胞和非免疫细胞。
-
Cibersoft：它可以评估肿瘤组织中免疫细胞的丰度，并区分活跃的免疫细胞和抑制性的免疫细胞。
-
TIMER：它是一个在线工具，用于分析肿瘤组织中不同免疫细胞类型的丰度，并与生存率等临床信息相关联。
-
ssGSEA：这是一种计算免疫细胞类型得分的方法，可以用于评估免疫细胞在肿瘤样本中的活跃程度。
-
ESTIMATE：它可以评估肿瘤组织中免疫细胞浸润的程度，并同时考虑非免疫细胞的存在。
通过这些免疫浸润分析方法，研究人员能够深入研究肿瘤微环境中免疫细胞的数量和状态，进而为肿瘤的预后评估和个体化治疗提供有价值的信息。这些分析对于深化我们对肿瘤免疫学的理解以及发展新的免疫治疗策略具有重要意义。
在进行免疫浸润分析时，有个非常方便好用的R包IOBR。
#清空
rm(list=ls())
gc()
# #安装
# 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
# if (!requireNamespace("IOBR", quietly = TRUE))
# devtools::install_github("IOBR/IOBR")
library(IOBR)
help(package="IOBR")
#导入数据
load("F:\\TCGA\\TCGA-COAD\\output_mRNA_lncRNA_expr\\TCGA-COAD_mrna_expr_tpm.rdata")
expr<-mrna_expr_tpm
#支持的方法
tme_deconvolution_methods
支持上述方法，下面每个方法都提供两种计算：基本相似，差异在于计算结果保留的小数位数不同。
# MCPcounter
mcpcounter_immo <- deconvo_tme(eset = expr,project="TCGA-COAD",#项目名称method = "mcpcounter"#使用方法)
mcpcounter_immo_de <- deconvo_mcpcounter(eset = expr,project="TCGA-COAD"#项目名称)
# EPIC
epic_immo <- deconvo_tme(eset = expr,method = "epic",tumor = T)
epic_immo_de<-deconvo_epic(eset = expr,project="TCGA-COAD",#项目名称tumor=TRUE)#是否为肿瘤
# xCell
xCell_immo <- deconvo_tme(eset = expr,method = "xcell",arrays = F)
xCell_immo_de <- deconvo_xcell(eset = expr,project="TCGA-COAD",arrays = F)#是否为芯片数据
# CIBERSORT
cibersort_immo <- deconvo_tme(eset = expr,method = "cibersort",arrays = F,perm = 1000)#设置排列数量
cibersort_immo_de <- deconvo_cibersort(eset = expr,absolute = T,#是否在绝对模型中进行,默认为FALSEabs_method = "sig.score",#只有当absolute设置为TRUE是，方可修改该项设置arrays = F,perm = 1000)
# IPS
ips_immo <- deconvo_tme(eset = expr,method = "ips",plot = F)
ips_immo_de <- deconvo_ips(eset = expr,absolute = T,#是否在绝对模型中进行abs_method = "sig.score",#只有当absolute设置为TRUE是，方可修改该项设置arrays = F,perm = 1000)
# quanTIseq
quantiseq_immo <- deconvo_tme(eset = expr,method = "quantiseq",scale_mrna = T)#如果为FALSE，则不能矫正不同细胞类型的mRNA含量
quantiseq_immo_de <- deconvo_quantiseq(eset = expr,tumor=T,arrays=F,scale_mrna = T)
# ESTIMATE
estimate_immo <- deconvo_tme(eset = expr,method = "estimate")
estimate_immo_de <- deconvo_estimate(eset = expr,method = "estimate",platform = "affymetrix")
# TIMER
timer_immo <- deconvo_tme(eset = expr,method = "timer",group_list = rep("coad",dim(expr)[2]))
timer_immo_de <- deconvo_timer(eset = expr,indications = rep("coad",dim(expr)[2]))#ssGSEA评分
library(GSVA)
a<-signature_collection
names(a)
sg_ssgsea <- calculate_sig_score(eset =expr, signature = signature_collection, method = "ssgsea")
#免疫检查点
a$Immune_Checkpoint
#ssGSEA评分免疫细胞
load("ssGSEA28.Rdata")
ssgsea_immo <- calculate_sig_score(eset = expr, signature = cellMarker,# 这个28种细胞的文件需要自己准备method = "ssgsea" # 选这个就好了)
