MCP-count包计算肿瘤微环境中各类细胞丰度
2023-04-18 12:57:34 时间
微环境细胞种群计数器(MCP-count)方法,该方法允许从转录组数据对组织中八种免疫细胞和两种基质细胞种群的绝对丰度进行量化。离体免疫组织化学数据支持该方法的有效性。因此此MCP-counter可以用于绘制人类健康组织和非造血人类肿瘤的免疫浸润的全局图。MCP-counter也提供R包。从基因表达矩阵中,它为每个样本生成 CD3+ T 细胞、CD8+ T 细胞、细胞毒性淋巴细胞、NK 细胞、B 淋巴细胞、源自单核细胞(单核细胞谱系)的细胞、髓样树突细胞、中性粒细胞以及内皮细胞和成纤维细胞。MCP-counter 是“单样本”分数,因为它们是在每个样本上独立计算的。然后,这些分数可用于直接比较队列中样本中相应细胞类型的丰度。通过使用石蜡包埋组织切片上免疫组织化学细胞定量对 MCP 计数器进行了定量验证。结果说明了它在 47 种健康组织类型和 32 种非血液系统恶性肿瘤中评估组织浸润的成功应用。
该方法可以比较同一个细胞类型在不同sample的丰度,但是不能用于不同细胞类型之间的比较。
#=======================================================
#set the working files and load the packages
#=======================================================
# library(devtools)
# install_github("ebecht/MCPcounter",ref="master", subdir="Source")
##加载包
rm(list=ls())
library(tibble)
library(dplyr)
library(tidyr)
library(MCPcounter)
## 看一下说明书
?MCPcounter.estimate
setwd("/Users/Desktop/p4/geo_sur/geo")
cdata <- read.csv('cdata.csv', header = T, row.names = 1)
cdata[1:20,1:3]
probesets=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/probesets.txt"),
sep=" ",stringsAsFactors=FALSE,colClasses="character")
head(probesets)
write.csv(probesets, file = 'probeset.csv')
genes=read.table(curl("http://raw.githubusercontent.com/ebecht/MCPcounter/master/Signatures/genes.txt"),
sep=" ",stringsAsFactors=FALSE,header=TRUE,colClasses="character",check.names=FALSE)
head(genes)
write.csv(genes, file = 'genes.csv')
results<- MCPcounter.estimate(cdata,featuresType=c("HUGO_symbols")[1],
probesets=probesets,
genes=genes)
results <- as.data.frame(results)
results[1:5,1:5]
数据实例:
> cdata[1:5,1:5]
ALCaP01_T ALCaP04_T ALCaP09_T ARM001_T ARM003_T
1-Dec 10.224370 7.393677 7.973883 7.022964 9.849438
1-Mar 11.253553 7.198410 7.810257 8.483075 10.479081
10-Mar 7.798213 6.683564 6.714652 7.057417 9.832400
11-Mar 9.683238 6.729597 7.820598 6.147415 10.207686
2-Mar 21.811216 23.855673 52.646413 24.763275 23.830846
> head(probesets)
V1 V2
1 1557733_a_at T cells
2 1558971_at T cells
3 1558972_s_at T cells
4 1566448_at T cells
5 204777_s_at T cells
6 206485_at T cells
> head(genes)
HUGO symbols Cell population ENTREZID ENSEMBL ID
1 CD28 T cells 940 ENSG00000178562
2 CD3D T cells 915 ENSG00000167286
3 CD3G T cells 917 ENSG00000160654
4 CD5 T cells 921 ENSG00000110448
5 CD6 T cells 923 ENSG00000013725
6 CHRM3-AS2 T cells 100506915 ENSG00000233355
> results[,1:3]
ALCaP01_T ALCaP04_T ALCaP09_T
T cells 14.85268 8.244218 9.812706
CD8 T cells 11.31239 7.389664 8.660349
Cytotoxic lymphocytes 16.07111 7.131069 8.154063
B lineage 20.49535 7.294061 10.610236
NK cells 10.33208 6.910806 7.467822
Monocytic lineage 25.26373 25.752070 14.775617
Myeloid dendritic cells 12.32315 7.533545 9.112773
Neutrophils 14.22642 30.014294 10.082995
Endothelial cells 17.83547 15.691648 15.584108
Fibroblasts 266.52281 125.732827 379.417187
相关文章
- 直接在代码里面对list集合进行分页
- .NET Framework 4.5新特性详解
- 大数据的简要介绍
- 大数据的由来
- 高斯混合模型的自然梯度变量推理
- timing-wheel 仿Kafka实现的时间轮算法
- 使用Navicat软件连接自建数据库(Linux系统)
- 那一天,我被Redis主从架构支配的恐惧
- Redis 深入了解键的过期时间
- C#使用委托调用实现用户端等待闪屏
- 基于流计算 Oceanus 和 Elasticsearch Service 构建百亿级实时监控系统
- GRAND | 转录调控网络预测数据库
- JFreeChart API中文文档
- 临床相关突变查询数据库
- TIGER | 人类胰岛基因变化查询数据库
- 视频边缘计算网关EasyNVR在视频整体监控解决方案中的应用分析
- Apache Arrow - 大数据在数据湖后的下一个风向标
- 常见的电商数据指标体系
- AKShare-艺人数据-艺人流量价值
- MySQL中多表联合查询与子查询的这些区别,你可能不知道!