转录组分析中的免疫浸润的评估方法

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。

Identification of genetic determinants of breast cancer immune phenotypes by integrative genome-scale analysis

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