🤔 你的基因真的是个好Biomarker吗？
在筛选出几个感兴趣的基因后，我们通常会面临一连串的灵魂拷问： “它在治疗前后有差异吗？” “它在应答者和非应答者中表达不一样吗？” “它能预测生存期吗？” “它的预测效果比现有的签名（如TIDE, IFNG）更好吗？”
为了回答这些问题，你可能需要画箱线图、做生存分析、画ROC曲线、去查阅几十篇文献找别人的签名公式然后手算……
这一套下来，没个几天搞不定。而且，万一公式输错了呢？
⚡ tigeR：Biomarker评估的加速器
tigeR包把这一整套评估流程封装得行云流水。不管你是想看单个基因的表现，还是想和已发表的Signature一决高下，tigeR都能轻松搞定。
1. 综合分析：一张图看懂所有（integrate_analysis）
不想分开跑差异分析和生存分析？integrate_analysis函数让你一次看个够。
library(tigeR)
# 输入数据集和感兴趣的基因（如PD-L1/CD274）
integrate_analysis(SE = MEL_GSE91061, geneSet = "CD274")这个函数会直接返回差异表达（Responders vs Non-Responders）和生存分析的结果。简单、粗暴、有效。
2. 差异可视化：颜值即正义（diff_biomk）
想画出可以直接放在文章里的图？diff_biomk满足你。
治疗前后对比：
diff_biomk(SE = MEL_GSE91061, gene = 'CD274', type = 'Treatment')应答者 vs 非应答者：
diff_biomk(SE = MEL_GSE91061, gene = 'CD274', type = 'Response')无需调整ggplot2的繁琐参数，默认配色就已经足够专业美观。
3. 生存分析：一键KM曲线（surv_biomk）
P <- surv_biomk(SE = MEL_GSE91061, gene = 'CD274')
P$plot # 显示KM曲线自动进行最佳截断值（cutoff）选择，计算P值，绘制风险表。你需要的，它都有。
4. 🌟 杀手锏：23种内置免疫评分一键计算（score_biomk）
这绝对是tigeR最让人生畏的功能。
你是否还在为复现别人的Signature而头秃？tigeR内置了23种主流的免疫治疗相关Signature，包括：
- TIDE相关: T cell-inflamed GEP, IFNG_Sig
- TME相关: Angiogenesis, Teffector, Myeloid_inflammatory
- 以及: IPS, CD8Teffector, TLS, EMT等等
只需要一个函数：
# 计算所有23种评分
sig_res <- score_biomk(MEL_GSE78220)返回的就是一个整整齐齐的矩阵，每一列是一个Signature的得分。有了这个，你就可以轻松地把你的基因和这些”大佬”们进行相关性分析，或者比较谁的AUC值更高。
5. ROC曲线大比拼（roc_biomk）
说到AUC，tigeR也为你准备好了roc_biomk。你可以方便地评估你的基因或者内置Signature的预测性能。
# 评估 Tcell_inflamed_GEP 的预测效果
sig_roc <- roc_biomk(MEL_PRJEB23709,
Weighted_mean_Sigs$Tcell_inflamed_GEP,
method = "Weighted_mean",
rmBE = TRUE,
response_NR = TRUE)
# 查看ROC曲线
sig_roc[[2]]🎯 总结
tigeR包将Biomarker评估的复杂度降到了最低。
- 全方位：差异、生存、ROC一网打尽。
- 广覆盖：内置23种经典Signature，省去手动复现的痛苦。
- 高颜值：出图直接达到发表级要求。
如果你正在寻找新的肿瘤免疫治疗Biomarker，tigeR绝对是你不可或缺的验证工具。
下一期，我们将进入更微观的世界，看看tigeR如何用10种算法解构肿瘤微环境（TME）！
参考资料：
- tigeR Github: https://github.com/YuLab-SMU/tigeR
- iMeta Paper: http://doi.org/10.1002/imt2.229