R语言easier包预测免疫治疗响应 |
您所在的位置：网站首页 › much easier还是very easier › R语言easier包预测免疫治疗响应 |
|
【生信笔记】R语言easier包预测免疫治疗响应
这个包发表于2021年，以患者的RNA序列数据作为输入，来预测免疫治疗的结果。文章的DOI是：doi: 10.1016/j.patter.2021.100293. 用户手册在：http://127.0.0.1:27097/library/easier/doc/easier_user_manual.html 输入的表达矩阵要求是RNA-Seq数据，原始的Counts数据和TPM数据都可以。 easier包主要包括以下几个功能： 一、计算免疫反应的特征（Compute hallmarks of immune response）compute_scores_immune_response函数能够对多个不同的免疫特征进行打分，主要包括： 函数里的selected_scores参数可以选择输出哪些Hallmarks。比如我们指定2个Hallmarks进行计算： > immune_response_scores head(immune_response_scores) CYT TLS IFNy Ayers_expIS TCGA-05-4244-01A 6.804592 8.771665 5.044553 4.562678 TCGA-05-4250-01A 43.445152 8.315098 7.135774 6.035539 TCGA-05-4382-01A 11.721161 19.004632 6.411094 5.380301 TCGA-05-4384-01A 10.612710 17.434152 4.950731 4.482248 TCGA-05-4389-01A 35.632111 16.462322 7.097995 6.227765 TCGA-05-4390-01A 4.065595 4.934187 4.510498 3.948847 二、对TME定量描述的计算这里主要是为后面计算免疫治疗响应准备数据，分以下几个部分。 （一）细胞成分比CIBERSORT简单一些，不需要读入LM22的文件，但是相应的只有9个类别。 > str(cell_fractions) 'data.frame': 486 obs. of 11 variables: $ B : num 0.00607 0.01211 0.02209 0.00391 0.01051 ... $ M1 : num 0.2832 0.1664 0.1915 0.1058 0.0712 ... $ M2 : num 0.0561 0.037 0.0834 0.1553 0.0607 ... $ Monocyte : num 0 0 0 0 0 ... $ Neutrophil: num 0.0543 0.0468 0.0118 0.033 0.1042 ... $ NK : num 0.00814 0 0.00452 0.00526 0.002 ... $ CD4 T : num 0.0436 0.0595 0.0353 0.0356 0.0369 ... $ CD8+ T : num 0.00919 0.03629 0.00194 0.00504 0.03537 ... $ Treg : num 0.0436 0.0221 0.0353 0.0229 0.0369 ... $ DC : num 0 0 0 0 0 ... $ Other : num 0.539 0.642 0.649 0.656 0.679 ... （二）通路活性方面主要是评估14条信号通路的活性，包括Androgen、EGFR、Estrogen、Hypoxia、JAK-STAT、MAPK、NFkB、p53、PI3K、TGFb、TNFa、Trail、VEGF、WNT的活性。注意这一步只能输入Counts。 > pathway_activities str(pathway_activities) 'data.frame': 486 obs. of 14 variables: $ Androgen: num 3765 3789 3613 3869 3695 ... $ EGFR : num 53.65 210.41 9.37 -82.37 -20.52 ... $ Estrogen: num 2399 2439 2357 2425 2333 ... $ Hypoxia : num 7787 7853 8095 7170 7132 ... $ JAK-STAT: num 6883 7086 6912 6595 7129 ... $ MAPK : num 1441 1662 1357 1294 1313 ... $ NFkB : num 6823 6829 7326 6383 6561 ... $ p53 : num 4677 4646 4592 4871 4845 ... $ PI3K : num -3602 -3513 -3465 -3635 -3571 ... $ TGFb : num 3038 3224 3419 3096 2969 ... $ TNFa : num 7198 7124 7564 6556 6708 ... $ Trail : num 118 120 135 100 142 ... $ VEGF : num -417 -508 -503 -564 -488 ... $ WNT : num 630 647 698 656 697 ... （三）转录因子活性能够对118个转录因子的活性进行评估 > tf_activities str(tf_activities) 'data.frame': 486 obs. of 118 variables: $ AR : num -0.709 1.233 -2.683 -1.041 -1.452 ... $ ARNTL : num 2.389 0.821 1.489 -0.25 0.22 ... $ ATF1 : num 1.191 2.22 1.093 -0.459 0.268 ... $ ATF2 : num 0.201 2.197 0.425 0.823 -0.4 ... $ ATF4 : num 0.727 1.965 0.259 -0.992 -0.409 ... $ ATF6 : num 0.825 0.341 2.062 0.326 1.216 ... $ BACH1 : num 1.216 0.497 0.338 1.645 2.544 ... $ CDX2 : num -1.3392 -0.5584 -0.8671 -0.8286 0.0699 ... $ CEBPA : num 1.775 2.059 1.663 0.097 1.424 ... $ CEBPB : num 1.084 0.993 0.781 0.482 1.155 ... $ CEBPD : num 0.4532 -0.0117 0.3975 0.5953 0.5444 ...表格很长，这里就不全部展示了。 （四）配体-受体权重与细胞间相互作用手册的描述：使用衍生的癌症特异性细胞间网络，可以对867个配体-受体的权重进行量化。使用配体-受体权重作为输入，可以得出169个细胞-细胞相互作用分数。结果跟上面的类似，这里也不展示了。 总结一下，这一步我们获得了cell_fractions、pathway_activities、tf_activities、lrpair_weights、ccpair_scores一共5个变量，接下来这5个变量要全部（或部分）输入到一个函数里来预测免疫治疗的响应。 三、获取患者对免疫反应的预测 > predictions easier_derived_scores str(easier_derived_scores) 'data.frame': 482 obs. of 3 variables: $ easier_score: num -0.356 0.135 0.162 -0.552 0.348 ... $ w_avg_score : num 0.229 0.268 0.395 0.213 0.285 ... $ pen_score : num -0.356 0.135 0.662 -0.552 0.348 ...这里TMB有两种纳入的方法，一种是加权，一种是惩罚得分，可以两个都算出来看看。另外，输入的TMB必须为一个Named_num。否则会报错。 除了上面这个函数，还可以通过函数assess_immune_response进行处理。 > output_eval_with_resp |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |