零代码学生信第一天-如何进行免疫浸润分析

作为一个底层打工人，一边搞临床，一边学生信，真的很崩溃。最近发现零代码学生信对于我们这样的医学生来说实在是太友好了，为此，我把每天学习的心得写下来，也算一场美好的记录吧！

免疫浸润，换言之就是通过bulk RNA的数据进行分析预测每一个组织样本关于免疫浸润相关细胞的丰度，也就是一个细胞占比情况。

很多方式都可以实现，最近特别喜欢用生信豆芽菜的平台，他们的网站设计的理念和我们学医的经历很像，先分析，后可视化，分析是针对数据分析的具象化，而可视化就是一个结果的展示，就像我们学医一样，先学理论，后学临床，临床的学习主要是通过最后的规培来实现的。规培很苦，三年很难熬，但是医生这个职业与生命挂钩，只有理论扎实，通过实践的锻炼，才有可能成为一个优秀的医生。

话不多说，来看看他们的平台

http://www.sxdyc.com/singleCollectionTool

他们是将分析和可视化分开，在免疫分析中包含了很多算法，包括多种算法计算免疫浸润（CIBERSORT，mcpcounter，xcell，timer,quantiseq），EPIC预测免疫评分，ESTIMATE预测免疫评分，ssGSEA预测免疫细胞评分，ImmnCellAI预测24种免疫评分，TMEscore预测免疫浸润程度等等。

这些都需要上传一个文件，一个行为基因，列为样本的表达谱矩阵。其中需要先对基因去重，不然很容易出现rownames 不被允许的报错，这种就需要单独去重。

去重可选择数据预处理中去重工具，按照行进行去重，可以选择中位数，平均数等等。换言之就是面对重复的基因使用中位数/平均数进行去重。

记得RNA-seq的数据选择illumina，不要取log

默认提供给了两个基因集，使用ssGSEA的方法预测免疫细胞的评分

ImmuneCellAI能够估计18种T细胞和6种其他类型免疫细胞（B细胞，NK细胞，Monocyte细胞，Macrophage细胞，Neutrophil细胞和DC细胞.）的比例，同时可以预测患者对免疫检查点抑制剂治疗的反应，如果有分组信息，使用传统的方差检验的方法比较不同分组下各个免疫细胞比例的差异

使用TMEscore包预测患者免疫浸润程度;Cancer Immunology Research, 2019, 7(5), 737-750;DOI: 10.1158/2326-6066.CIR-18-0436;PMID: 30842092