总结篇——免疫浸润分析—科研工具箱

请关注公众号【叨客学习资料】 在使用网站的过程中有疑问,请来公众号进行反馈哦

前言

肿瘤组织不是单纯的只包含肿瘤细胞,它是由各种不同类型的细胞组成的,其中就包含基质细胞,成纤维细胞,还有免疫细胞等,这些细胞就构成了肿瘤的微环境。

我们比较关注的是免疫细胞在这微环境中的作用。免疫细胞又包括很多种,如 B 细胞,T 细胞等。不同的免疫细胞在肿瘤发生过程中发挥不同的作用,而不同肿瘤的免疫细胞组成也各有特点。

因此在研究肿瘤发生,治疗等机制时,常常会对不同肿瘤类型的免疫细胞进行定量研究。所谓的定量研究就是研究不同免疫细胞的比例。

为了准确的评估肿瘤微环境中免疫细胞的构成,我们可以通过很多方法从 RNA 测序数据中量化肿瘤浸润的免疫细胞,比如 ssGSEA, Cibersoft, TIMER, EPIC 等.

这些方法大体包括两个思想,一个是 marker gene,还有一个是反卷积思想。

今天我们主要是讲讲如何使用这些方法来进行相关分析。我们通过测序得到的组织的 RNA-Seq 数据就是包含了肿瘤和微环境细胞共同表达。因此在我们进行免疫浸润分析的时候,基本都是基于 RNA-Seq 数据。

1 ssGSEA

单样本基因集富集分析(single sample gene set enrichment analysis, ssGSEA),是针对单个样本无法做 GSEA 而设计的。最早是在 2009 年被提出(Systematic RNA interference reveals that oncogenic KRAS-driven cancers require TBK1)。它可以由 GSVA 这个 R 包来实现。目前 ssGSEA 常被用于评估肿瘤免疫细胞浸润程度。

1.1 R 包安装

### GSVA 安装
if (!requireNamespace(\"BiocManager\", quietly = TRUE))
install.packages(\"BiocManager\")
BiocManager::install(\"GSVA\")

 

1.2 数据示例

https://pic1.zhimg.com/80/v2-c144daef4622d8d5aa6628be2e397e98_720w.jpg https://pic4.zhimg.com/80/v2-3fba8d6f95dad1a96e28c5775a41045b_720w.jpg

这个数据为免疫细胞的 metagenes 基因集,从文章 Local mutational diversity drives intratumoral immune heterogeneity in non-small cell lung cancer 中获取。

https://pic4.zhimg.com/80/v2-98881716e4df7b38e968d6beb74dccbb_720w.png

1.3 R 代码实现

library(GSVA)
# 基因表达数据文件
expression <-\"mRNA_expression.txt\"
# 读取表型数据文件
pheno <- \"mRNA_group.txt\"
# 背景基因集合文件
gene_set <- \"gene_set.txt\"
# 读取基因表达数据
expression <- read.table(expression,sep=\"\\t\", header=T, row.names = 1)
# 读取背景基因集合
gene_set <- read.table(gene_set,header=T, sep=\"\\t\", stringsAsFactors = F)[,c(1:2)]
# 存储的是每个免疫细胞对应的基因,构建背景基因集合
bg_genes <- split(as.matrix(gene_set)[,1], gene_set[,2])
# 进行 ssGSEA 分析
gsva_matrix <- gsva(as.matrix(expression), bg_genes, method=\'ssgsea\', kcdf=\'Gaussian\', abs.ranking=TRUE)
# 输出结果
write.table(gsva_matrix,\"gsva_matrix.txt\", sep=\"\\t\", quote=FALSE, row.names = TRUE)
# 绘制图形
library(pheatmap)
# 样本的类型信息,为了后面画图的时候,加个注释条
pheno <- read.table(pheno,header=T,stringsAsFactors = F)
# 添加注释信息
annotation_col = data.frame(patient=pheno$type)
rownames(annotation_col)<-colnames(gsva_matrix)
# 保存图形结果
pdf(file=\"pheatmap_ssGSEA.pdf\")
pheatmap(gsva_matrix,
show_colnames = F, # 不展示行名
cluster_rows = F, # 不对行聚类
cluster_cols = F, # 不对列聚类
annotation_col = annotation_col, # 加注释
cellwidth=5,cellheight=5, # 设置单元格的宽度和高度
fontsize=5) # 字体大小
dev.off()

 

1.4 结果展示

https://pic3.zhimg.com/80/v2-c24a2c05304409d842a79f6a50510896_720w.jpg https://pic4.zhimg.com/80/v2-903ccf1174190bc6663f9633d2945167_720w.jpg

2 其他方法

前面我们说到有很多评估免疫细胞浸润的方法,其中 immunedeconv 就是一个集成很多量化肿瘤浸润的免疫细胞的 R 包。

2.1 immunedeconv 的安装

这个 R 包不同于普通的 R 包,是直接在 GitHub 里,因此它的安装方式有两种,推荐第一种。

使用 conda 安装

conda create -n deconvolution
conda activate deconvolution
conda install -c bioconda -c conda-forge r-immunedeconv

 

使用 remotes 安装

install.packages(\"remotes\")
remotes::install_github(\"icbi-lab/immunedeconv\")
GitHub 地址
https://github.com/icbi-lab/immunedeconv

 

2.2 示例

immunedeconv 实现了多种免疫浸润分析方法,包括 quantiseq, timer, cibersort, cibersort_abs, mcp_counter, xcell, epic。

例如

deconvolute(exprMatrix, “quantiseq”)。

下面我们就以 quantiseq 方法来举例说明。

library(ggplot2)
library(immunedeconv)
library(tidyverse)
# 读入表达数据
exprMatrix <- read.table(\"expression.txt\",header=TRUE,row.names=1, as.is=TRUE)
# 使用 quantiseq 方法评估免疫浸润,method 可根据需求设置
res <- deconvolute(exprMatrix, method=\"quantiseq\")
write.table(res, \"quantiseq.txt\", sep=\"\\t\", col.names=T, row.names=F, quote=F)
save(res, \"quantiseq.Rdata\")
# 画图
pdf(\"quantiseq.pdf\")
res %>%
gather(sample, fraction, -cell_type) %>%
# 绘制堆积条形图
ggplot(aes(x=sample, y=fraction, fill=cell_type)) +
geom_bar(stat=\'identity\') +
coord_flip() +
scale_fill_brewer(palette=\"Paired\") +
scale_x_discrete(limits = rev(levels(res)))
dev.off()

 

https://pic3.zhimg.com/80/v2-b8f3184f01b0b8518d72feab9e53ab6e_720w.jpg

3 分析方法的简单介绍

最后,咱们简单的聊下几个常用的免疫细胞浸润分析方法。

3.1 quanTIseq

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十种不同免疫细胞类型的比例以及其他未表征细胞的比例。

https://pic3.zhimg.com/80/v2-61e7430ca8f7e9ad7b43ad8ad4f3d416_720w.jpg

链接:https://icbi.i-med.ac.at/software/quantiseq/doc/index.html

3.2 xCell

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。xCell 使用表达水平排名而不是实际值,因此归一化没有影响,但是输入数据需要 normalization 格式(RPKM/FPKM/TPM/RSEM)。

可使用官网上传的表达数据,行是基因名,列是样本。

官网链接:https://xcell.ucsf.edu/

3.3 TIMER

TIMER 用反卷积方法估算 32 种癌症中 6 种免疫细胞的丰度(B 细胞,CD4+ T 细胞,CD8+ T 细胞,嗜中性粒细胞,巨噬细胞和树突状细胞)。

TIMER 有在线的网站,功能强大,通过该软件对 TCGA 中的肿瘤样本的表达谱数据进行分析,将肿瘤浸润的免疫细胞与基因的表达量,基因突变,体细胞拷贝数变异等数据相关联。

网址:https://cistrome.shinyapps.io/timer/

3.4 EPIC

EPIC 使用约束最小二乘回归将非负性约束条件纳入反卷积问题,从大量肿瘤基因表达数据中估算免疫和癌细胞的比例,每个样本中所有细胞分数的总和不超过一。

链接:https://gfellerlab.shinyapps.io/EPIC_1-1/

3.5 CIBERSORT

CIBERSORT 是非常常用的一个计算免疫细胞浸润的方法,它利用线性支持向量回归的原理对免疫细胞亚型的表达矩阵进行去卷积,来估计免疫细胞的丰度。

CIBERSORT 提供了 22 种常见的免疫浸润细胞表达数据 LM22,包括不同的细胞类型和功能状态的免疫细胞。

CIBERSORT 有在线的网站,但是需要注册教育邮箱账号,操作也十分简单,只要用户上传表达数据即可

官网链接:https://cibersort.stanford.edu/

具体操作可参考:https://www.jianshu.com/p/a8759484359c

CIBERSORT 还开发了可适用于单细胞测序的方法–CIBERSORTx。这是一种机器学习方法,可将此框架扩展为无需物理细胞分离即可推断特定细胞类型的基因表达谱。

链接:https://cibersortx.stanford.edu/

3.5.1 R 代码实现

其中 LM22.txt,Cibersort.R 都可以从官网获得,LM22.txt 是 22 种常见的免疫浸润细胞表达数据。

# 可以从官网下载
source(\'Cibersort.R\')
# 其中 nperm 指定的是置换的次数,QN 分位数归一化,如果是芯片设置为 T,如果是测序就设置为 F,测序数据最好是TPM
res_cibersort <- CIBERSORT(\'LM22.txt\',\'Data.txt\', perm = 10, QN = F)
write.table(res_cibersort, file=\"res_cibersort.txt\", sep=\"\\t\", col.names=T, row.names=F, quote=F)
save(res_cibersort, file=\"res_cibersort.Rdata\")
# 画图
library(ggplot2)
library(tidyverse)
colour <- c(\"#DC143C\",\"#0000FF\",\"#20B2AA\",\"#FFA500\",\"#9370DB\",\"#98FB98\",\"#F08080\",\"#1E90FF\",\"#7CFC00\",\"#FFFF00\",\"#808000\",\"#FF00FF\",\"#FA8072\",\"#7B68EE\",\"#9400D3\",\"#800080\",\"#A0522D\",\"#D2B48C\",\"#D2691E\",\"#87CEEB\",\"#40E0D0\",\"#5F9EA0\",\"#FF1493\",\"#0000CD\",\"#008B8B\",\"#FFE4B5\",\"#8A2BE2\",\"#228B22\",\"#E9967A\",\"#4682B4\",\"#32CD32\",\"#F0E68C\",\"#FFFFE0\",\"#EE82EE\",\"#FF6347\",\"#6A5ACD\",\"#9932CC\",\"#8B008B\",\"#8B4513\",\"#DEB887\")
my_theme <- function(){
theme(panel.grid = element_blank(), # 网格线
panel.border = element_blank(), # 面板边框
legend.position=\"right\", # legend位置
legend.text = element_text(size=8), # legend内容大小
legend.title = element_text(size=8),# legend标题大小
axis.line = element_line(size=1), # 坐标轴线
text = element_text(family=\"Times\"),# 文本字体
axis.text.y = element_text(size = 8,face=\'bold\',color=\'black\'),# y轴标签样式
axis.text.x = element_text(size = 8,face=\'bold\',color=\'black\',angle=90,hjust=1), # x轴标签样式,angle=45 倾斜 45 度
axis.title = element_text(size=10,face=\"bold\"), # 轴标题
plot.title = element_text(hjust=0.5,size=10)) # 距,设置绘图区域距离边的据类,上、右、下、左
}
p1 <- res_cibersort[,1:22] %>% reshape2::melt() %>%
ggplot(aes(x=Var1,y=value,fill=Var2)) +
geom_bar(stat=\'identity\') +
coord_flip() +
scale_fill_manual(values =colour ) +
theme_bw()+ theme(panel.border = element_blank(),panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),axis.line = element_line(colour = \"black\"))+my_theme()
pdf(\"cibersort.pdf\")
p1
dev.off()

 

https://pic1.zhimg.com/80/v2-1685c23b8e0c5fb00c5e50f65b4278c8_720w.jpg

好啦,免疫浸润的方法暂时就介绍到这了,具体的更深入的不同免疫浸润方法的比较可以参考文献

Quantifying tumor-infiltrating immune cells from transcriptomics data

https://pic2.zhimg.com/80/v2-8e4e63abf582be74b41a480de4a4912d_720w.jpg

上述代码已经上传到 GitHub:

https://github.com/dxsbiocc/learn/tree/main/R/immune

本文转自:生信学习手册

© 版权声明
THE END
喜欢就支持一下吧
点赞0 分享
评论 抢沙发
头像
请输入有效评论哦,肆意灌水或者乱打评论是不会通过的,会影响您评论后获得资源哦~~
提交
头像

昵称

取消
昵称表情

    暂无评论内容