YGC

肿瘤微环境分析神器：一行代码调用CIBERSORT、TIMER等10大主流算法

5 min read

Cover Image

🕵️‍♂️ 揭开肿瘤”黑箱”的秘密

肿瘤不仅仅是一团癌细胞，它是一个复杂的生态系统——肿瘤微环境（TME）。这里面混杂着T细胞、B细胞、巨噬细胞、成纤维细胞……它们有的在杀伤肿瘤，有的却在帮肿瘤”打掩护”。

要搞清楚这个微环境，我们通常使用”去卷积”（Deconvolution）算法，从Bulk RNA-seq数据中推断各种细胞的比例。

但是，市面上的算法太多了：CIBERSORT, TIMER, xCell, MCPCounter… 每个软件的安装方法不一样，输入数据格式不一样，输出结果也不一样。光是把环境配好，可能就得花上一周。

“要是能把它们都装进一个盒子里就好了。”

tigeR：好的，我来了。

🧰 10种算法，一个接口

tigeR包堪称TME分析的”瑞士军刀”。它集成了目前最主流的10种去卷积算法，并且统一了调用接口。

你没看错，是10种：

  1. TIMER
  2. CIBERSORT (经典中的经典)
  3. MCPCounter
  4. xCell
  5. IPS
  6. EPIC
  7. ESTIMATE (评估免疫/基质评分)
  8. ABIS
  9. ConsensusTME
  10. quanTIseq

极简操作：deconv_TME

不管你想用哪种算法，只需要记住这一个函数：deconv_TME。

library(tigeR)
 
# 使用 TIMER 算法
frac_timer <- deconv_TME(MEL_GSE78220, method = "TIMER")
 
# 使用 CIBERSORT 算法
frac_ciber <- deconv_TME(MEL_GSE78220, method = "CIBERSORT")
 
# 使用 xCell 算法
frac_xcell <- deconv_TME(MEL_GSE78220, method = "xCell")

只需修改method参数，就能无缝切换算法。这对于比较不同算法的结果，或者寻找最适合你数据的算法来说，简直太方便了！

可视化：一目了然

算出了比例，怎么展示？tigeR提供了精美的饼图和堆叠柱状图功能。

# 可视化细胞比例
pie1 <- fraction_pie(cell_name_filter(frac_timer), 
                     feature = factor(rownames(frac_timer)))
pie1

🧬 进阶玩法：单细胞数据赋能

这是tigeR的一个杀手级功能。

通用的去卷积算法使用的是公共的Reference矩阵，可能并不完全适合你研究的特定癌种。

如果你手头有单细胞测序数据（scRNA-seq），tigeR允许你利用这些数据构建自定义的Reference矩阵，然后用于Bulk RNA-seq的去卷积！

这意味着，你可以获得极其精准、特异性极高的细胞比例估算。

library(Seurat)
 
# 1. 处理单细胞数据 (Seurat流程)
# ... (标准Seurat处理) ...
pbmc$celltype <- Idents(pbmc)
 
# 2. 构建自定义Reference矩阵
ref_sig_mtr <- build_CellType_Ref(pbmc, logfc.threshold = 1.5)
 
# 3. 使用自定义Reference进行去卷积 (以CIBERSORT为例)
Ciber_SE <- deconv_TME(MEL_GSE91061,
                       method = "CIBERSORT",
                       sig_matrix = ref_sig_mtr)

打通单细胞与Bulk数据，让你的分析深度瞬间提升一个档次。

💡 总结

tigeR在TME分析模块展现了强大的整合能力和灵活性：

  • 集大成：10种主流算法，一网打尽。
  • 统一化：一个函数，统一接口，降低学习成本。
  • 定制化：支持从单细胞数据构建Reference，实现精准分析。

无论你是想快速看一眼免疫浸润情况，还是想深入挖掘特定细胞亚群，tigeR都能陪你到底。

下一期，我们将挑战最高难度的任务：构建机器学习模型，预测免疫治疗响应！

参考资料：

  1. tigeR Github: https://github.com/YuLab-SMU/tigeR
  2. iMeta Paper: http://doi.org/10.1002/imt2.229

Graph View