CIBERSORT肿瘤免疫微环境分析教程

肿瘤一直是困扰人类的一个难题,随着癌症发病率的升高和日益年轻化的趋势,全世界的科研人员都集中了大量的人力物力进行肿瘤相关的研究和肿瘤的治疗。近几年,免疫治疗开始出现,随着免疫治疗疗效的不断提高,得到了诸多媒体的关注,开始逐渐为大众所熟知。

免疫治疗是如何工作的呢?其主要通过激活人体本身的免疫系统,依靠自身的免疫机能杀灭癌细胞。目前已在多种肿瘤如黑色素瘤,非小细胞肺癌、肾癌和前列腺癌等实体瘤的治疗中展示出了强大的抗肿瘤活性,多个肿瘤免疫治疗药物已经获得美国FDA批准临床应用。

随着组学技术的进步,我们也逐渐了解到肿瘤微环境的免疫环境的复杂性和多样性以及它对免疫治疗的重要影响。通过进一步分析和了解肿瘤免疫微环境将有助于免疫治疗反应性的改善。因此很多人就开始研究肿瘤的免疫微环境,试图解析肿瘤组织中的免疫细胞构成。

高级可视化
Advanced plots

作为对粉丝异常负责的科研猫团队,仅仅做到上面这一步肯定是不够的,我们还给大家附送了高级可视化代码,用来比较不同分组之间的免疫细胞比例差异,包括柱状图、箱线图等。近期在某友商的网站看到类似的分析代码卖到1000元高价,而我们则选择继续默默地免费分享。

这部分绘图的内容,不属于免疫浸润的分析范围,属于延伸出来内容,主要是为了方便大家把分析结果呈现到文章中去,所以对做图不感兴趣的同学,当然也可以跳过不看。

首先,我们用箱线图表示22种免疫细胞在所有样本种的比例,在这里看到最高的应该是Naive B cells。

 1# boxplot
 2ggboxplot(
 3  plot.info,
 4  x = "CellType",
 5  y = "Composition",
 6  color = "black",
 7  fill = "CellType",
 8  xlab = "",
 9  ylab = "Cell composition",
10  main = "TME Cell composition"
11) +
12  theme_base() +
13  theme(axis.text.x = element_text(
14    angle = 90,
15    hjust = 1,
16    vjust = 1
17  ))

然后,为了比较不同分期之间的免疫细胞的差异,我们使用批量统计比较的箱线图。当然,在这里,不用我说大家都知道,为了比较不同分期之间的差异,我们还需要读入一个样本分期的表型文件。这里我就不做演示了,只把做图的代码放出来。

 1# box plot group by GRADE
 2ggboxplot(
 3  plot.info,
 4  x = "CellType",
 5  y = "Composition",
 6  color = "black",
 7  fill = "GRADE",
 8  xlab = "",
 9  ylab = "Cell composition",
10  main = "TME Cell composition group by GRADE"
11) +
12  stat_compare_means(
13    label = "p.signif",
14    method = "t.test",
15    ref.group = ".all.",
16    hide.ns = T
17  ) +
18  theme_base() +
19  theme(axis.text.x = element_text(
20    angle = 90,
21    hjust = 1,
22    vjust = 1
23  ))

 

同样的,为了更加直观地感受不同细胞在各个样本中的比例差异,在这里非常适合做一个堆积的比例柱状图,为啥?因为各种细胞比例加起来等于1呀,这个我们刚才讲过了。

 1# Barplot of cell componment of each sample using hclust
 2sample.index <-
 3  hclust(dist(TME.data[, TME.cells]), method = "ward.D")$order
 4sample.order <- TME.data$PATIENT_ID[sample.index]
 5
 6ggbarplot(
 7  plot.info,
 8  x = "PATIENT_ID",
 9  y = "Composition",
10  size = 0,
11  fill = "CellType",
12  color = "CellType",
13  order = sample.order
14) +
15  theme_base() +
16  theme(
17    axis.text.x = element_text(
18      angle = 90,
19      hjust = 1,
20      vjust = 1,
21      size = 1
22    ),
23    legend.position = "bottom"
24  )

 

好了,以上是我们给大家演示的三种图形,当然还有很多其他的图形可以用于免疫浸润结果的可视化,这些大家在我们的科研绘图板块中学习了这么久,应该可以自行发挥啦。

生物信息学

利用python爬取并翻译GEO数据库

2020-4-27 21:10:00

生物信息学

10X Genomics V(D)J测序:免疫分析从零起步学(1)

2020-4-28 15:27:20

声明 本网站部分文章源于互联网,出于传递更多信息和学习之目的转载,并不保证内容正确或赞同其观点。
如转载稿涉及失效、版权等问题,请立即联系管理员;我们会予以修改、删除相关文章,请留言反馈
Notice: When your legal rights are being violated, please send an email to: [email protected]
搜索