小云又來分享啦！今天小云為小伙伴帶來的分享為利用quanTIseq算法進行免疫浸潤分析，然后基于亞型分組信息文件，進行亞型間免疫細(xì)胞含量顯著差異分析，該分析在腫瘤生信文章中必備的分析內(nèi)容，非常值得小伙伴學(xué)習(xí)，小云強烈推薦呀！接下來跟著小云開啟開始今天的分享學(xué)習(xí)。

1.?quanTIseq算法介紹

在進行該分析之前，小云先簡單介紹一下quanTIseq算法，quanTIseq基于反卷積算法，利用bulk samples的RNA_seq數(shù)據(jù)，可以對腫瘤樣本中不同種類免疫細(xì)胞的組成進行預(yù)測，支持10種類型的免疫細(xì)胞，包括B cells，Classically activated macrophages (M1)，Alternatively activated macrophages (M2)，Monocytes，Neutrophils，Natural killer (NK) cells，Non-regulatory CD4+ T cells ，CD8+ T cells，Dendritic cells，Other uncharacterized cells，這就是小云對該算法的介紹，想深入學(xué)習(xí)的小伙伴可以到該網(wǎng)址:https://icbi.i-med.ac.at/software/quantiseq/doc/index.html#Figure1。

#首先下載quanTIseq流程分析腳本，如下文:

wget https://icbi.i-med.ac.at/software/quantiseq/doc/downloads/quanTIseq_pipeline.sh

#quanTIseq流程運行參數(shù)使用方法

2.?準(zhǔn)備需要的R包

#安裝需要的包

install.packages("ggplot2")

install.packages("ggsci")

install.packages("tidyverse")

install.packages("reshape2")

install.packages("ggpubr")

#加載需要的R包

library(reshape2)

library(ggpubr)

library(ggplot2)

library(tidyverse)

library(ggsci)

3.輸入數(shù)據(jù)

#EXP.txt，基因表達矩陣文件，行名為基因名，列名為樣本信息。

exp<-read.table("EXP.txt",header=T,row.names=1,sep="\t",check.names=F)

#將行名轉(zhuǎn)化為列名

exp<-rownames_to_column(exp,var="GENE")

4.利用quanTIseq算法進行免疫浸潤分析

#quanTIseq進行免疫浸潤分析

bash quanTIseq_pipeline.sh --inputfile=exp.txt --outputdir=quanTIseqTest --prefix=quanTIseqTest --pipelinestart=decon

input表示基因表達矩陣，第一列為基因名，其他列為樣本名。

outputdir表示生成結(jié)果文件名

prefix表示生成結(jié)果文件前綴

pipelinestart表示quanTIseq分析流程，基因表達矩陣選用decon

#生成結(jié)果文件為quanTIseqTest_cell_fractions.txt，該結(jié)果為計算的10種免疫細(xì)胞在不同樣本中的含量，第一列為樣本名，其他列為免疫細(xì)胞類型。

5.不同亞型中quanTIseq算法計算的免疫細(xì)胞的顯著差異分析

#讀取quanTIseq分析免疫細(xì)胞組成結(jié)果文件

immune<-read.table("quanTIseqTest_cell_fractions.txt",header=T,sep="\t")

#將Sample列”.”修改為”-”

immune$Sample<-str_replace_all(immune$Sample,"\\.","-")

#亞型分組文件,行名為樣本信息，第一列為樣本信息，第二列為亞型分組信息。

K3<-read.table("K3.txt",header=T,sep="\t")

#合并免疫細(xì)胞組成文件和亞型分組文件

final<-left_join(immune,K3,by=”Sample”)

#長寬數(shù)據(jù)轉(zhuǎn)換

quanTIseq_cluster<-melt(final,id.vars=c("Sample","Cluster"))

#設(shè)置列名

colnames(quanTIseq_cluster)<-c("Sample","Cluster","celltype","quanTIseq")

#繪制顯著差異分析小提琴+箱線圖

boxplot_quanTIseq<- ggplot(quanTIseq_cluster, aes(x = celltype, y =quanTIseq?))+

??labs(y="quanTIseq",x= "")+ ?

??geom_boxplot(aes(fill = Cluster),position=position_dodge(0.5),width=0.5)+

??scale_fill_npg()+

??#修改主題

theme_classic() +

???theme(axis.title = element_text(size = 12,color ="black"),

???????????????????axis.text = element_text(size= 12,color = "black"),

???????????????????panel.grid.minor.y = element_blank(),

???????????????????panel.grid.minor.x = element_blank(),

???????????????????axis.text.x = element_text(angle = 45, hjust = 1 ),

???????????????????panel.grid=element_blank(),

???????????????????legend.position = "top",

???????????????????legend.text = element_text(size= 12),

???????????????????legend.title= element_text(size= 12)

??) +

??stat_compare_means(aes(group = ?Cluster),

?????????????????????label = "p.signif",

?????????????????????method = "kruskal.test",#kruskal.test多組檢驗

?????????????????????hide.ns = F)#隱藏不顯著的

#保存圖片

ggsave(file="quanTIseq.pdf",boxplot_quanTIseq,height=10,width=15)

最終小云成功的對不同亞型利用quanTIseq算法進行了免疫浸潤分析，，看起來圖片效果非常不錯，歡迎大家和小云一起討論學(xué)習(xí)呀！