介绍

肿瘤组织中的正常细胞不仅在分子研究中影响肿瘤信号，而且在癌症生物学中也起着重要作用。 估计包使用基因表达数据预测肿瘤组织中基质细胞和免疫细胞的存在。

示例

首先使用通过Aﬀymetrix U133Plus2.0平台从10个卵巢癌样本中获得的数据。它具有由17,256个基因（行）和10个样本（列）组成的基因水平表达数据。 其次，将每个微阵列平台的不同基因数量统一为10,412个共同基因。这些数据集包含的公共基因来自6个芯片平台：

Affymetrix HG-U133Plus2.0
Affymetrix HT-HG-U133A
Affymetrix Human X3P
Agilent 4x44K (G4112F)
Agilent G4502A
Illumina HiSeq RNA sequence

该算法使用HUGO GeneSymbols或Entrez基因ID。因此，输入数据中的行名称必须是基因SYMBOL或Entrez基因ID。

library(estimate)
OvarianCancerExpr <- system.file("extdata", "sample_input.txt", package="estimate")
read.table(OvarianCancerExpr)[1:4,1:4];dim(read.table(OvarianCancerExpr))
##               s516      s518      s519      s520
## C9orf152  4.881540  4.575656  3.739469  3.695996
## ELMO2     7.298054  7.555440  7.533202  7.382355
## CREB3L1   5.569164  5.700406  5.959730  5.770007
## RPS11    13.389937 13.848820 13.642862 13.654622
## [1] 17256    10

最后，计算基质和免疫评分，分别代表肿瘤组织中基质和免疫细胞的存在。

filterCommonGenes(input.f=OvarianCancerExpr,output.f="OV_10412genes.gct",id="GeneSymbol")
## [1] "Merged dataset includes 10412 genes (0 mismatched)."   estimateScore("OV_10412genes.gct", "OV_estimate_score.gct", platform="affymetrix")
## [1] "1 gene set: StromalSignature  overlap= 141"
## [1] "2 gene set: ImmuneSignature  overlap= 141"scores=read.table("OV_estimate_score.gct",skip = 2,header = T)
rownames(scores)=scores[,1]
scores=t(scores[,3:ncol(scores)])
scores
##      StromalScore ImmuneScore ESTIMATEScore TumorPurity
## s516   -281.81487    171.5411     -110.2737   0.8316075
## s518   -426.14692    105.3890     -320.7580   0.8483668
## s519    -57.14977   -365.2374     -422.3871   0.8561698
## s520   1938.82379   2339.0707     4277.8944   0.3314725
## s521   -671.64710    147.6183     -524.0288   0.8637832
## s522   1458.13837   1176.8159     2634.9543   0.5472110
## s523   -268.89216   -928.4953    -1197.3875   0.9092887
## s525    973.42289   1320.0869     2293.5098   0.5884565
## s526    552.64161   2162.4612     2715.1029   0.5373262
## s527   -709.33568   1312.8416      603.5059   0.7689656

本博客内容将同步更新到个人微信公众号：生信玩家。欢迎大家关注~~~

ESTIMATE包计算肿瘤纯度相关推荐

Front Immunol 复现 | 4. 使用estimate包评估肿瘤纯度
前几天有同学问了一篇文章里的一个方法的实现,看了一下这篇文章除了qPCR验证基本都是纯生信,今天就试着来复现一下.随缘复现哈,如果阅读数据不好看的话,可能就放弃了,希望大家多多点赞.在看,转发支持. ...
【生物信息】ESTIMATE 分析免疫评分和肿瘤纯度
ESTIMATE 分析免疫评分和肿瘤纯度背景: 从病人身上获取的肿瘤组织不仅仅包括包括肿瘤细胞,还包括与肿瘤微环境相关的很多其他细胞,比如正常的基质细胞,免疫细胞.血管内皮和血管内的血细胞. 其中比 ...
VAF，MAF，肿瘤纯度，MCF，CCF的概念和计算方法（转载）
VAF的概念和计算方法 VAF的全称是Variant Allele Frequency(变异等位基因频率)或Variant Allele Fraction(变异等位基因分数).简单来说就是在基因组某个 ...
ESTIMATE 包 error/报错无法匹配基因
使用 R包 ESTIMATE 在进行肿瘤纯度分析时出现: [1] "Merged dataset includes 0 genes (10412 mismatched)." 只要 ...
R语言使用timeROC包计算存在竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值、并可视化多个标记物在相同时间下的ROC值、多指标的ROC曲线(Time-dependent R
R语言使用timeROC包计算存在竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值.并可视化多个标记物在相同时间下的ROC值.多指标的ROC曲线(Time-dependent R ...
R语言使用timeROC包计算无竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值、并可视化多个标记物在相同时间下的ROC值、多指标的ROC曲线
R语言使用timeROC包计算无竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值.并可视化多个标记物在相同时间下的ROC值.多指标的ROC曲线(Time-dependent RO ...
R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值、R语言使用timeROC包的plotAUCcurve函数可视化多时间生存资料的不同标记物情况下对应的AUC曲线、并进行对比
R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值.R语言使用timeROC包的plotAUCcurve函数可视化多时间生存资料的不同标记物情况下对应的AUC曲线.并进行对比目录
R语言使用timeROC包计算存在竞争风险情况下的生存资料多时间AUC值、使用cox模型、并添加协变量、可视化存在竞争风险情况下的生存资料多时间ROC曲线
R语言使用timeROC包计算存在竞争风险情况下的生存资料多时间AUC值.使用cox模型.并添加协变量.可视化存在竞争风险情况下的生存资料多时间ROC曲线目录
R语言ggplot2可视化：使用dplyr包计算每个分组个数的比例(对计算获得的百分比进行近似，值保留整数部分)、使用ggplot2可视化条形图(bar plot)、并在条形图上添加百分比标签
R语言ggplot2可视化:使用dplyr包计算每个分组个数的比例(对计算获得的百分比进行近似,值保留整数部分).使用ggplot2可视化条形图(bar plot).并在条形图上添加百分比标签目录

ESTIMATE包计算肿瘤纯度

介绍

示例

ESTIMATE包计算肿瘤纯度相关推荐

最新文章

热门文章