RNAseq | IPS评分-TCIA数据库了解一下，非TCGA数据用IOBR评估

生信补给站

发布于 2023-09-11 18:38:42

3.3K0

发布于 2023-09-11 18:38:42

文章被收录于专栏：生信补给站

前面介绍了通过 RNAseq｜oncoPredict 药物反应预测，+基因，+分型，+模型的联合可视化预测患者对小分子药物的反应。那如果预测当前临床治疗上常用的免疫疗法（PD1， PD-L1 ，CTLA4）反应呢？

前面介绍的RNAseq|免疫浸润也杀疯了，cibersoert？xCELL？ESTIMATE？你常用哪一个可以看患者的整体的免疫浸润程度，单独的PD1，PD-L1 响应则可以使用免疫表型评分(IPS)进行量化，这里提供两种场景数据的IPS分析

（1）如果是TCGA样本可以直接下载TCIA数据库中的IPS评分结果。

（2）非TCGA样本以及 TCIA中没有的癌种，使用IOBR 预测IPS评分。

一 TCIA数据库

TCIA（https://tcia.at/home）上提供了TCGA中的20种实体瘤分析后的IPS结果，可以直接下载使用。

点击官网https://tcia.at/home进去后如下图所示的交互，鼠标悬停在需要的癌种上点击即可，也可以在左边进行筛选。

点击癌种柱子后，会出现如下表格，可以点击2处直接在下载。

点击1处的饼图，会出现如下的图，可以看到红框中的IPS主要由抗原呈递（MHC-MHC molecules）、效应细胞（EC-effector cells）、抑制性细胞（SC-suppressor cells）、检查点（CP-immune checkpoints）这四部分评分组成。

箭头处给出的为IPS总评分，分为ips_ctla4_neg_pd1_neg，ips_ctla4_neg_pd1_pos，ips_ctla4_pos_pd1_neg和ips_ctla4_pos_pd1_pos 四种，也就是 2处下载的csv文件中的后面几列，还有更多的列此处未展示。

barcode	ips_ctla4_neg_pd1_neg	ips_ctla4_neg_pd1_pos	ips_ctla4_pos_pd1_neg	ips_ctla4_pos_pd1_pos
TCGA-06-0145	NA	NA	NA	NA
TCGA-06-0146	NA	NA	NA	NA
TCGA-28-2513	7	6	6	5
TCGA-26-5136	9	8	8	7
TCGA-28-1747	8	8	8	7

注：TCIA还有其他很多的信息，以待大家去探索。

二 IOBR 预测

如果是非TCGA样本以及 TCIA中没有的癌种，可以使用IOBR-R 包来预测患者的IPS评分。

注：该包整合了很多分析内容，如之前介绍过的Immune ，Xcell 和 Cibersort 等均可以一行代码实现，整体功能很强大建议试一下，此处仅介绍IPS评分部分。感兴趣其他内容的可以留言，会出整体详尽的介绍。

1，安装R包

IOBR包整合了很多免疫浸润的内容，因此涉及到的R包也比较多，但是安装好之后使用很友好。

转录组数据仍然使用之前保存的SKCM的数据

# options("repos"= c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
# options(BioC_mirror="http://mirrors.tuna.tsinghua.edu.cn/bioconductor/")
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")

depens<-c('tibble', 'survival', 'survminer', 'sva', 'limma', "DESeq2","devtools",
          'limSolve', 'GSVA', 'e1071', 'preprocessCore', 'ggplot2', "biomaRt",
          'ggpubr', "devtools", "tidyHeatmap", "caret", "glmnet", "ppcor", "timeROC","pracma")
for(i in 1:length(depens)){
  depen<-depens[i]
  if (!requireNamespace(depen, quietly = TRUE))
    BiocManager::install(depen,update = FALSE)
}

if (!requireNamespace("IOBR", quietly = TRUE))
  devtools::install_github("IOBR/IOBR")

library(IOBR)
library(tidyverse)
library(ggpubr)

load("RNAseq.SKCM.RData")

fpkm[1:4,1:4]
fpkm_in <- fpkm %>%
  column_to_rownames("gene") %>%
  as.matrix()

输入的矩阵信息为行名为基因，列为样本的matrix格式。
2，IOBR-IPS计算

通过设置method = "ips" 可以计算患者的免疫表型评分（immunophenoscore, IPS），结果如下为四种不同免疫表型的评分：抗原呈递、效应细胞、抑制性细胞和检查点，IPS_IPS 为类似TCIA 整合至1-10之间数值的结果。

ips<-deconvo_tme(eset = fpkm_in, method = "ips", plot= FALSE)
head(ips)
# A tibble: 6 × 7
#  ID               MHC_IPS EC_IPS SC_IPS  CP_IPS AZ_IPS IPS_IPS
#  <chr>              <dbl>  <dbl>  <dbl>   <dbl>  <dbl>   <dbl>
#1 TCGA-EE-A2GJ-06A    4.44  1.41  -1.78  -0.723    3.35      10
#2 TCGA-EE-A2GI-06A    4.95  1.39  -1.46  -0.673    4.20      10
#3 TCGA-WE-A8ZM-06A    3.46  0.695 -0.682  0.181    3.66      10
#4 TCGA-DA-A1IA-06A    3.85  0.627 -0.839  0.0836   3.72      10
#5 TCGA-D3-A51H-06A    5.06  1.85  -2.08  -0.865    3.96      10
#6 TCGA-XV-A9VZ-01A    3.43  0.821 -0.747  0.184    3.68      10

注：这里的method 可以有多种选择，感兴趣的也可以计算estimate 或者 cibersort ，与之前RNAseq|免疫浸润也杀疯了，cibersoert？xCELL？ESTIMATE？你常用哪一个的结果进行比较。

3，分型，预后模型 + 可视化

以一致性聚类结果为示例，

km <- read.csv("resultstrain.k=2.consensusClass.csv",header = T,stringsAsFactors = F ,check.names = F)
names(km) <- c("sample","cluster")

fpkm_km_IPS <- km %>%
  inner_join(ips,by = c("sample" = "ID"))
fpkm_km_IPS[1:4,1:4]

ggboxplot(fpkm_km_IPS, x="cluster", y="AZ_IPS", width = 0.6,
          color = "black",#轮廓颜色
          fill="cluster",#填充
          palette = "npg",
          xlab = F, #不显示x轴的标签
          bxp.errorbar=T,#显示误差条
          bxp.errorbar.width=0.5, #误差条大小
          size=1, #箱型图边线的粗细
          legend = "right") #图例放右边