前言

目前已经有许多的算法可以根据RNA-seq计算免疫细胞的浸润，其中代表性的R包是immunedeconv。接下来这个系列文章将根据通过这个包计算RNA-seq数据中的免疫浸润程度，并通过这个数据计算影响免疫浸润的相关基因。

一、immunedeconv包的安装

immunedeconv不太好安装，建议使用从github下载源代码进行本地安装。

首先，下载Code包：

进入immunedeconv 作者的主页：

GitHub - icbi-lab/immunedeconv: A unified interface to immune deconvolution methods (CIBERSORT, EPIC, quanTIseq, TIMER, xCell, MCPcounter)

然后，安装该代码：

install.packages("devtools")##这是安装用的工具包
devtools::install_local("/文件/immunedeconv-master.zip")

二、数据的前期处理

1.基因ID的转换以及数据格式的处理

代码如下：

# 读入表达数据
exprMatrix <- read.table("/Project/the correlation for Immune cell infiltration with tumor/TCGA TIL analysis/Normalized_LUAD.xls",header=TRUE, as.is=TRUE)
##如果不需要转换基因名和ID，则直接跳到最下面
library(stringr)
exprMatrix$gene <- str_split(exprMatrix$gene,'[.]',simplify = T)[,1]##按照某符号拆分某列
which(duplicated(exprMatrix$gene))
colnames(exprMatrix)[1] <- 'gene'
exprMatrix <- subset(exprMatrix,gene!="NA")
colnames(exprMatrix)[1] <- 'ENSEMBL'ID_gene_name <- read.csv('/所有教程/常用文件/length_gene_ID.csv',row.names = 1)
library(data.table)
length_gene <- ID_gene_name[,-1]
keys <- colnames(length_gene)[!grepl('V1',colnames(length_gene))]
length_gene <- as.data.table(length_gene)
length_gene <- length_gene[,list(length= mean(V1)),keys]
exprMatrix <- merge(ID_gene_name,exprMatrix,by = 'ENSEMBL', all = F)##不需要转换的直接跳转到这里
exprMatrix <- cbind(exprMatrix[1],exprMatrix[1],exprMatrix)
write.csv(exprMatrix,'exprMatrix.csv')

2.数据的前期处理

这一步主要是清除一些空基因和无效基因，代码如下：

exprMatrix <- read.csv('/Project/the correlation for Immune cell infiltration with tumor/TCGA TIL analysis/analysis_flow/ID_name_transport/exprMatrix.csv',row.names = 1) ##读入处理好的文件
mean <- apply(exprMatrix[,4:ncol(exprMatrix)],1,mean) ##计算每个基因的均值
exprMatrix <- exprMatrix[-which(mean == 0),] ##去除均值等于0的基因
exprMatrix <- exprMatrix[-which(duplicated(exprMatrix$Gene.name)),] ##去除基因名重复的基因
exprMatrix <- exprMatrix[,c(-1,-3)] ##去除多余的第一列和第三列
rownames(exprMatrix) <- exprMatrix$Gene.name ##把第一列作为行名
exprMatrix <- exprMatrix[,-1] ##去除第一列

3.计算免疫浸润程度

利用immunedeconv包计算RNA-seq的免疫浸润程度，代码如下：

#评估免疫浸润
library(immunedeconv)
res  <- deconvolute(exprMatrix, method="quantiseq") ##method可以更改，支持多种方法，详见immunedeconv包的介绍
res <- as.data.frame(res,row.names = 1) ##讲结果文件转换为data.frame
rownames(res) <- res[,1] ##把第一列设为行名
res <- res[,-1]
immune <- rbind(res,exprMatrix) ##将免疫浸润结果和RNA-seq数据合并
write.csv(immune, 'immune.csv')

总结

这一部分主要是介绍了免疫浸润的计算，下一节将会介绍如何计算相关基因。

寻找影响免疫浸润细胞的基因（一)相关推荐

RNA 24. SCI文章中基于TCGA的免疫浸润细胞分析的在线小工具——TIMER
点击关注,桓峰基因桓峰基因生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你 135篇原创内容公众号今天来介绍一个使 ...
RNA 29. SCI文章中基于TCGA的免疫浸润细胞分析 (TIMER2.0)
桓峰基因公众号推出转录组分析教程,有需要生信的老师可以联系我们!转录分析教程整理如下: RNA 1. 基因表达那些事--基于 GEO RNA 2. SCI文章中基于GEO的差异表达基因之 limma ...
MCPcounter估计免疫浸润细胞丰度
MCPcounter返回的分数以任意单位表示.这些分数与样本中估计的细胞数量成比例.每个种群具有不同的任意单位.因此,它不能用来比较一个样本中不同种群的丰度.然而,这些分数允许比较队列中样本之间单个细 ...
iMeta | 北中药李晓骄阳组综述解码免疫T细胞的作用-改善代谢相关脂肪性肝病的新领域...
点击蓝字关注我们解码免疫T细胞的作用:改善代谢相关脂肪性肝病的新领域 iMeta主页:http://www.imeta.science 综述 ● 原文链接DOI: https://doi.or ...
seer文献_文献解读 | 师兄带你读一篇免疫浸润3分文章！
今天要和大家分享的是今年发表在Oncology reports期刊详情关于免疫微环境与肿瘤预后的文章Tumor‑infiltrating M2 macrophages driven by specif ...
RNA 12. SCI 文章中肿瘤免疫浸润计算方法之 CIBERSORT
免疫浸润也是近几年肿瘤研究的一个重要方向.通过表达数据即可推算出这个整体样本中究竟有哪些免疫细胞.下面我们就基于数据库数据来看下整个流程分析! 前言我们介绍了CIBERSORT,一种从其基因表达谱表 ...
8种免疫浸润分析1行代码实现
免疫浸润一直是生信数据挖掘的重点,免疫浸润的各种算法也是大家学习生信数据挖掘必学的知识点. 前几天看到还有单独介绍各种免疫浸润方法实现的文章,其实现在不用那么麻烦了,已经有人帮我们写好了整合的R包,它 ...
对一篇单细胞RNA综述的评述：细胞和基因质控参数的选择
原文链接: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6072887 摘要单细胞RNA测序技术的发展加深了我们对于细胞作为功能单元的理解,不仅能基于成 ...
oracle 芒果db,TIMER+TISIDB分析肿瘤免疫浸润
生信论文的套路 ONCOMINE从全景.亚型两个维度做表达差异分析: 临床标本从蛋白水平确认(或HPA数据库),很重要: Kaplan-Meier Plotter从临床意义的角度阐明其重要性: cBi ...
TCGA免疫浸润评价数据库，TIMER 2.0 使用指南
对于RNA-seq的数据,之前我们的分析方法只是局限于单个基因之间的整合分析,最多也就是做一下富集这样的聚类分析.前段时间随着肿瘤免疫的热度,也有人试着开始利用RNA-seq这样的数据来评价患者的免疫 ...

寻找影响免疫浸润细胞的基因（一)

目录

前言

一、immunedeconv包的安装

二、数据的前期处理

1.基因ID的转换以及数据格式的处理

2.数据的前期处理

3.计算免疫浸润程度

总结

寻找影响免疫浸润细胞的基因（一)相关推荐

最新文章

热门文章

寻找影响免疫浸润细胞的基因（一)

​​目录

前言

一、immunedeconv包的安装

二、数据的前期处理

1.基因ID的转换以及数据格式的处理

2.数据的前期处理

3.计算免疫浸润程度

总结

寻找影响免疫浸润细胞的基因（一)相关推荐

最新文章

热门文章

目录