新网页工具：肿瘤免疫检查点治疗相关标记物筛选与机制探索一站解决

【推荐理由】有幸参与到这个工具的开发流程，今天得知工具上线简单使用后，感受到工具的强大。肿瘤免疫检查点相关内容几乎一站搞定。

近年来，免疫检查点抑制剂在各个癌症中都大放光彩，在改善患者的生存和提高患者的临床获益中起到了至关重要的作用。然而，仅有部分患者对免疫检查点抑制剂产生应答，仍存在较多比例的患者对免疫检查点抑制剂无法产生应答。免疫检查点抑制剂的生物标志物的出现极大改善了这一局面。然而，目前筛选免疫检查点的生信标志物的方法大部分都是基于编程，而需要计算机背景知识的编程技术却成为许多生物学家和临床科研工作者的一大难点。

是否你在做实验的时候不知道核心基因是否在免疫治疗中有怎样的作用？突变以后是否有ICIs生存获益？某基因高表达量以后是否有ICIs生存获益？是否突变后和常见化疗药物存在药敏差异？突变以后免疫浸润是否发生改变？感兴趣的通路是否在突变组和野生型组别中发生了变化？这个网站全部帮你搞定！

因此，我们收集了目前已发表的所有关于免疫检查点治疗队列的表达数据，突变数据和临床预后数据，并开发了一个网页工具 (CAMOIP) 来实现所有关于免疫检查点治疗的生物标志物的筛选和后续的肿瘤免疫微环境的机制探索，包括免疫浸润分析，GSEA分析，免疫原性分析，基因突变概览分析，药物敏感性分析，表达差异分析和Kaplan Meier分析。

CAMOIP这一网页工具的访问网址为：http://camoip.net/

接下来，我们主要来给大家介绍CAMOIP这一网页工具可以实现的分析功能。

HOME (主页)

1. 第一张图：介绍了CAMOIP主要的七项分析模块，以及七项分析模块中的典型结果图片。

CAMOIP是一项可以分析来自ICI-Treated和TCGA的临床队列的表达数据和突变数据的网页工具，CAMOIP提供了各种各样的分析功能，例如病人生存分析，基因集富集分析，表达分析，突变全景分析，免疫浸润分析，免疫原性分析和药物敏感性分析。通过使用CAMOIP，生物学家可以非常轻松的实现探索有关大型TCGA和ICI-Treated的数据集，基于更高维度来进一步来验证他们的科学假设。

第一：KM plotter【病人生存分析】，用户可以选择感兴趣的基因，对病人进行按照突变与否或表达量高低进行分组，进行生存分析，并实现可视化。

第二：Expression【表达分析】，用户可以选择感兴趣的基因，对病人或肿瘤细胞系按照突变分组，进行表达量的差异分析，并使用箱线图或火山图来展示。

第三：Drug Senstivity【药物敏感性分析】，用户可以选择感兴趣的基因，对肿瘤细胞系按照突变与否进行分组，对选择的药物敏感性（IC50）进行差异分析，并使用箱线图进行展示。

第四：Mutational Landscape【突变全景分析】，用户可以选择感兴趣的基因，对病人进行按照突变与否进行分组，对突变频率在整体队列的对应数量的基因进行展示其突变类型和突变频率，并使用突变热图的形式来展示。

第五：Immune Infiltration【免疫浸润分析】，用户可以选择感兴趣的基因，对病人进行按照突变与否进行分组，对免疫细胞，免疫相关分数，免疫相关基因，免疫检查点相关分子进行差异分析，并使用箱线图或热图进行可视化。

第六：Immunogenicity【免疫原性分析】，用户可以选择感兴趣的基因，对病人按照突变与否进行分组，对病人的肿瘤突变负荷（TMB），新抗原负荷（NALs），MANTIS score进行差异分析，并使用箱线图进行可视化。

第七：GSEA【基因集富集分析】，用户可以选择感兴趣的基因，对病人按照突变与否进行分组，对病人的表达谱数据进行GSEA，将得到的结果以表格的形式呈现在网页中，用户可以选择感兴趣的信号通路，来进行下一步骤的可视化。

2. 第二张图：我们通过绘制了男性和女性的人体器官图，并使用不同颜色和透明度进行区分，以不同文本框来注释出不同器官中的癌症类型的数据集 (作者和样本数量)。

3. How to cite CAMOIP：使用CAMOIP这一工具的科研人员，可以使用以下参考文献来引用这一网页工具。

CAMOIP: A Web Server for Comprehensive Analysis on Multi-Omics of Immunotherapy in Pan-cancer, Anqi LIN, Ting WEI, Junyi LIANG, Chang QI, Mengyao LI, Peng LUO, Jian Zhang, bioRxiv 2021.09.10.459722; doi: https://doi.org/10.1101/2021.09.10.459722.

之后，我们会具体给大家来详细介绍每一个功能下的每一个分析中的使用方法和参数定义。

最后，感谢在这个工具开发过程中各位老师提供的意见和建议；感谢生信技能树-Jimmy、优雅R-王诗翔还有一棵树-张静老师提供的优秀教程，感谢在Chris-娄佳成医生和鲍志炜博士在debug过程中提供的宝贵意见。

接下来还有有一系列的网页工具在发开中，希望其他有志同道合的伙伴们合作。