首先会给大家介绍肿瘤的微环境，肿瘤微环境是肿瘤细胞所处的细胞环境，其组成包括细胞外基质、可溶性分子和肿瘤基质细胞。肿瘤微环境一旦形成，众多面会议细胞，如T细胞、髓源抑制细胞、巨噬细胞等，都被催化至此，构成肿瘤的微环境。
在肿瘤微环境中，免疫细胞和基质细胞是两种主要类型的非肿瘤组分，并且已被提出对于肿瘤的诊断和预后评估具有价值的。
肿瘤微环境细胞和肿瘤中浸润免疫和基质细胞的程度对预后有显着贡献，在肿瘤微环境中，免疫和基质细胞是两种主要类型的非肿瘤组分，并且已被提出对于肿瘤的诊断和预后评估是有价值的；
基于ESTIMATE算法计算的免疫评分和基质评分可以促进肿瘤中免疫和基质成分的定量；在该算法中，通过分析免疫和基质细胞的特定基因表达特征来计算免疫和基质评分以预测非肿瘤细胞的浸润；
为了更好地了解免疫和基质细胞相关基因对预后的影响，我们可以系统的分析了肿瘤表达谱挖掘预后不良的肿瘤微环境相关基因，来挖掘其中潜在的调控机制
预测软件
我们是使用ESTIMATE预测软件，这个软件可以预测我们肿瘤的一个纯度，重要是通过预测免疫打分和基质打分预测肿瘤的纯度，从而预测基质细胞和免疫细胞的含量，预测到基质和免疫细胞的含量之后，如果基质细胞和免疫细胞含量多了，那么肿瘤纯度就低，反之肿瘤纯度就高了。
肿瘤微环境中的正常细胞不只影响肿瘤信号，在肿瘤生物学中也扮演着重要作用。使用 ESTIMATE 可以对肿瘤微环境中的免疫细胞、基质细胞以及肿瘤纯度做出估计。
预测用到的数据就是基因表达的数据，通过ESTIMAT软件预测，可以得到三列信息：
stromal scor 基质细胞打分
immune score 免疫细胞打分
estimate score 综合打分，就是基质细胞打分和免疫细胞打分的综合
使用
ESTIMATE 的使用非常简单，准备一个 gct 格式的表达谱文件就可以计算。
准备 ESTIMATE 提供的测试数据
library(estimate)
OvarianCancerExpr <- system.file("extdata", "sample_input.txt", package="estimate")
system.file函数可以获取R包内的测试文件的路径。
准备 gct格式 的表达谱文件
ESTIMATE 综合了多个平台，得到 10412 个 common gene 。 转换为gct 格式之前需要取这些基因的子表达谱，这两步可以通过
filterCommonGenes函数 实现：
filterCommonGenes支持Gene Symbol或Entrez Gene ID。
filterCommonGenes(
input.f = OvarianCancerExpr,
output.f = "output/OV_10412genes.gct",
id="GeneSymbol"
)
这样就实现了取 common gene 表达谱转换为 gct 格式，并且保存到
output/OV_10412genes.gct 。
计算得分
读取 output/OV_10412genes.gct 计算评分，保存到output/OV_estimate_score.gct 。
estimateScore(
"output/OV_10412genes.gct",
"output/OV_estimate_score.gct",
platform="affymetrix"
)
由于测试数据使用的芯片数据，所以
plotform的值是affymetrix。
如果是二代测序数据，则需要把platform的值设置为illumina。
作图
ESTIMATE 可以生成一个 ESTIMATE评分 与 肿瘤纯度 关系的一个图：
plotPurity(
"output/OV_estimate_score.gct",
samples = "s516",
platform = "affymetrix",
output.dir = "figs"
)
这样就把 output/OV_estimate_score.gct 里面 s516 样本的 ESTIMATE
评分作图到 figs 目录了。
image
网友评论