😭 那个通宵洗数据的夜晚
还记得上次你兴致勃勃地下载了几个GEO数据集，准备大干一场做个肿瘤免疫分析吗？
结果呢？
打开Excel，格式乱七八糟；临床信息缺胳膊少腿；好不容易整理好了，一合并，批次效应（Batch Effect） 像一堵墙一样挡在那里。原本应该聚在一起的样本，因为测序平台不同，硬生生分成了两拨。
看着那个像”马赛克”一样的热图，你的心情是不是也碎了一地？
“要是能有个工具，能帮我把这些脏活累活都干了就好了。”
朋友，你的愿望实现了。今天我要介绍的这个神器——tigeR，就是专门为了拯救被数据折磨的你而生的。
😫 为什么肿瘤免疫数据这么难搞？
做生信分析的同学都知道，数据预处理占据了整个项目80%的时间。特别是肿瘤免疫治疗领域，我们经常面临这三大痛点：
- 数据格式不统一：有的用Ensembl ID，有的用Symbol，有的临床信息在文件名里，有的在表格里。
- 关键信息缺失：做生存分析缺时间，做响应预测缺疗效评价（CR/PR/SD/PD），简直寸步难行。
- 批次效应顽固：不同数据集来源不同，直接合并分析就是灾难。
手动处理？太慢，而且容易出错。自己写脚本？每次都要重写，复用性差。
🛠️ tigeR：你的数据清洗管家
tigeR包内置了强大的数据加载和标准化功能，让你从繁琐的数据处理中解脱出来，直奔科学问题！
1. 标准化数据结构（SummarizedExperiment）
tigeR采用Bioconductor推荐的SummarizedExperiment对象来存储数据。这意味着什么？意味着你的表达矩阵（Assay）和临床信息（colData）是永远对齐的！再也不用担心删了个样本，结果临床信息错位了。
tigeR团队还贴心地整理了大量已发表的免疫治疗数据集，发布在tigeR.data包中。
# 安装并加载数据包
devtools::install_github("YuLab-SMU/tigeR.data")
library(tigeR.data)
# 一行代码加载所有内置数据集
# 包含了黑色素瘤、肺癌等多个经典队列
# 每个数据集都经过精细清洗，临床信息标准化！2. 灵活的数据加载器（Dataloader）
如果你想用自己的数据，或者想从Web Server/ExperimentHub下载数据，Dataloader函数就是你的好帮手。
它不仅能加载数据，还能帮你规范化临床信息列名。看看这些规范的列名，是不是觉得心里特别踏实：
Treatment: PRE/POST (治疗前后)response: CR/MR/PR/PD/SD/NR (疗效)overall.survival..days.: 生存时间vital.status: 生存状态 (Alive/Dead)
有了统一的标准，后续的分析才能畅通无阻。
3. 批次效应？一键消除！
这是tigeR最惊艳的功能之一。它集成了Combat, Combat_seq, limma, DWD等多种主流去批次算法。
你不需要去研究这些算法的数学原理，也不用担心参数怎么调，只需要调用remove_BE函数：
library(tigeR)
# 假设SE是合并了两个数据集的对象
# method可选 "Combat", "Combat_seq", "limma", "DWD"
SE_Combat <- remove_BE(SE, method = "Combat")只需一行代码！
想看看效果？tigeR连可视化都给你准备好了：
# 原始数据的PCA分布
p1 <- browse_BE(SE) + ggtitle("Before Correction")
# 校正后的PCA分布
p2 <- browse_BE(SE_Combat) + ggtitle("After Combat")
# 拼图查看
aplot::plot_list(p1, p2, ncol=2)你会惊讶地发现，原本因为批次效应分开的样本，现在完美地融合在了一起，真正的生物学差异终于浮出水面。
🚀 总结
tigeR包在数据预处理模块，不仅提供了标准化的数据容器，还解决了最让人头疼的批次效应问题。
- 省时：从几天缩短到几分钟。
- 省力：一行代码代替几十行脚本。
- 规范：符合Bioconductor标准，方便与其他包对接。
别再把时间浪费在”洗数据”上了，把你的智慧用在发现科学规律上吧！
下一期，我们将介绍tigeR如何帮你一键计算23种免疫评分，敬请期待！
参考资料：
- tigeR Github: https://github.com/YuLab-SMU/tigeR
- iMeta Paper: http://doi.org/10.1002/imt2.229