注：本文仅讨论转录组数据中的免疫浸润评估。
关于免疫浸润的计算，其实有不少综述进行过总结。笔者看到过2篇发表于2018年的相关综述（虽然现在都2020年了），大致看了下（也没仔细看），先记录于此。笔者暂时不深入研究各个方法的原理，因此本文只算是概述。
先贴一下这两篇综述：
Computational deconvolution of transcriptomics data from mixed cell populations
Quantifying tumor-infiltrating immune cells from transcriptomics data
概述
一般而言，可以使用解卷积（deconvolution）的方法评估免疫浸润。
图1
T = matrix containing the observed (measured) expression values from heterogeneous (tissue/tumor) samples (M genes, N samples);
C = matrix consisting of cell type- specific average expression values (M genes, K cell types);
P = matrix containing the mixing proportions (=relative composition) (K cell types, N samples)
图1的解释可参考原论文或这篇博客：对混合细胞类型的转录组数据去卷积 （综述）
在解卷积方法的基础上，又有不少人提出近似计算方法，如基于细胞标志计算方法，这些方法被称为“广义的解卷积”。
大致上，计算免疫浸润的方法分为3大类：
第一类：基于细胞标志分子的方法，核心思路基于ssGSEA。
第三类：完全解卷积的方法，纯数学建模拟合。
第二类：部分解卷积的方法，上述两种思路的结合。
到2018年之前，主要的方法可总结如下表（摘自上述论文）：
图2
其中用得最多的主要是这5个：
CIBERSORT (Newman et al., 2015)：耳熟能详的工具了，最近开始支持absolute模式了。输入数据一般为normalization形式的（包括芯片数据）。
TIMER (Li et al., 2016)：几乎只支持web工具，虽然github上有R包https://github.com/hanfeisun/TIMER，但是似乎没有维护。具体请参考：TIMER官网/、肿瘤免疫火得飞起，TIMER数据库真心好用、TIMER：对浸润性肿瘤免疫细胞进行全面分析的WEB SERVER
ESTIMATE (Yoshihara et al., 2013)：早期研究用这个评估免疫浸润。目前也是支持RNA-Seq数据的。
xCell (Aran D et al., 2017)：基于ssGSEA，支持的细胞种类多。输入数据需要normalization形式（normalizing to gene length (RPKM/FPKM/TPM/RSEM) is required）。
MCP-counter (Becht E et al., 2016)：论文说MCPcounter是一个绝对计数方法。注意输入数据需要normalization形式（包括芯片数据）。
可以看到，2015-2017年之间，免疫浸润的研究是非常热的。有一个包集成了各种免疫评估的方法：github_immunedeconv、immunedeconv文档，这个包主要集成了6种方法：CIBERSORT, TIMER, xCell, MCPcounter, EPIC, quanTIseq。
关于上述提到的第一篇综述，可以参考某个博客，其对综述进行了大致翻译：对混合细胞类型的转录组数据去卷积 （综述），可以仔细读一读。
ssGSEA类方法
关于ssGSEA类方法（以xCell为代表），一方面可以自己选择更好的基因集，比如有文章就选择Bindea研究提供的基因集（2013年一篇Immunity），构建免疫细胞打分。示例：Oncolmmunology上一篇文章，使用GSVA包的ssGSEA法，基于Bindea的研究工作，进行富集分析，得到24个免疫细胞的情况。
图2
只要有不错的基因集，ssGSEA都可以构建相应的打分。
部分解卷积类方法
关于部分解卷积类方法，CIBERSORT和刘小乐大神实验室的TIMER是优秀的典范，有时间可以研究下。
此外，EPIC方法似乎也有一部分人在使用（笔者装了这个包没怎么用过hhh）。还有个2019年发表的quanTIseq是一个bash脚本，还没尝试过。这两个方法在上述表1中都有提到，并且可以使用immunedeconv这个集成包试一试。
2019年还发表了一个叫ABIS的方法，用于建模解卷积，计算细胞的absolute值，可以参考：RNA-Seq Signatures Normalized by mRNA Abundance Allow Absolute Deconvolution of Human Immune Cell Types、学习一个R包——免疫浸润ABIS。
完全解卷积类方法
另外就是完全解卷积类方法了，大致分为4类计算方法：基于线性回归、基于SVM、基于PCA、基于NMF；此外，也有基于贝叶斯的计算方法。除了上述表中提到的，还有人推荐DeMixT（Zeya Wang et al., 2018. 论文：Transcriptome Deconvolution of Heterogeneous Tumor Samples with Immune Infiltration
）
其他方法：ISOpureR (Catalina V Anghel et al., 2015)
其他数据类型评估免疫浸润
根据甲基化数据的：EpiDISH (Teschendorff et al., 2017)、MeDeCom (Lutsik et al., 2017)等。
根据DNA-Seq数据的：ABSOLUTE (Carter et al., 2012)、CloneCNA (Yu et al., 2016)等。
肿瘤免疫的其他内容
免疫调节基因的分析：好像有六七十个基因受到较多认可。
免疫分型分析：有好几种分型方法（如：荒漠型、枯竭型、激活型等等）。
免疫细胞表面CD分子表达分析
Cytolytic index分析：如 Immune Cytolytic Activity Stratifies Molecular Subsets of Human Pancreatic Cancer
其他相关参考资料
使用xcell根据表达谱推断样本组成细胞的类型
3到11分文章解读(肿瘤免疫浸润挖掘方向)
MCPcounter实战点点滴滴
纯R代码实现ssGSEA算法评估肿瘤免疫浸润程度
网友评论