0代码发热点SCI: 肿瘤免疫治疗多组学方向！

小伙伴们大家好，在肿瘤免疫分析十分火热的当下，灵活的运用相关数据库可以让我们的研究便捷许多。

今天小编给大家介绍的数据库是CAMOIP (http://www.camoip.net/)。CAMOIP提供用户对免疫治疗预后的生物标志物(如基因突变或基因表达：预后分析)的筛选和后续分子机制的探索 (如①表达分析，②基因突变全景分析，③免疫原性分析-TMB，免疫原性分析-NAL，免疫原性分析-MANTIS score，④免疫浸润分析-免疫细胞，免疫浸润分析-免疫基因，免疫浸润分析-免疫分数，⑤通路富集分析-GSEA，通路富集分析-ssGSEA)。此外，用户还可以通过使用CAMOIP对来自TCGA数据库中的所有癌症类型患者进行上述类似的分析。

1.数据介绍

CAMOIP集成了2种类型的数据：

1)、具有免疫治疗的肿瘤患者队列（必须具有免疫治疗预后数据，如OS或PFS）的突变数据，表达数据的数据集。

2)、来自癌症基因组图谱 (TCGA) 的 33 种癌症类型的突变数据，表达数据和临床数据。

2.数据库的使用

Survival Analysis

1、Kaplan-Meier

☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。

☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。

☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。

☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。

2、Cox-Regression

☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。

☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。

☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。

☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。

Expression Analysis

1. Boxplot

☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在某基因突变状态(MT, WT)的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在基因表达状态(High-Expression, Low-Expression)的差异。

2. Table

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下所有基因表达量的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下所有基因表达量的差异。

Mutational Landscape Analysis

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。

Immunogenicity Analysis

1. Tumor Mutation Burden (TMB)

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下TMB的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下TMB的差异。

2、Neoantigen Loads (NAL)

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下NAL的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下NAL的差异。

3、MANTIS Score

☑在TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下MANTIS Score的差异。

☑在TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下MANTIS Score的差异。

Immune Infiltration Analysis

1、Immune Cells

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。

2、Immune Genes

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4+调节T细胞相关基因；⑤CD8+ T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4+调节T细胞相关基因；⑤CD8+ T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。

3、Immune Scores

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关分数的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关分数的差异。

Pathway Enrichment Analysis

1、Gene Set Enrichment Analysis (GSEA)

☑在ICI-cohort或TCGA-cohort中：

[在Step1]用户根据某基因突变状态(MT, WT)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。

[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。

☑在ICI-cohort或TCGA-cohort中：

[在Step1]用户根据某基因表达状态(High-Expression, Low-Expression)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。

[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。

2、Gene Set Enrichment Analysis (GSEA)

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下通路分数(由ssGSEA算法评估得到)的差异。

☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下通路分数(由ssGSEA算法评估得到)的差异。

DATA

在DATA界面，包括了CAMOIP 1.1中所用到的ICI-cohort和TCGA-cohort的参考文献。用户可以通过点击Dataset列中的超链接，进一步可以跳转到对应数据集的界面。

Docs

1. About

在这个界面中，主要包括了一些关于CAMOIP的介绍。

2. FAQ

在这个界面中，主要包括了一些关于CAMOIP的常见问题和对应的回复。

How to Cite CAMOIP

Journal: Briefings in Bioinformatics

DOI: 10.1093/bib/bbac129

Title: CAMOIP: A Web Server for Comprehensive Analysis on Multi-Omics of Immunotherapy in Pan-cancer

3.小编总结

在使用上来看，CAMOIP数据库的十分简单，只需要输入我们感兴趣的基因名，剩下的进行点击选择就可以了，并且数据库整合了多组学的数据，我们可以根据我们关注的内容灵活的进行选择！