CIBERSORT包：洞悉细胞免疫浸润的神奇工具！

免疫细胞是我们身体的护卫军，它们在体内巡游，寻找并清除病原体，保护我们免受感染。当我们感染或出现其他异常情况时，免疫细胞会被引导到相应的组织中，形成免疫浸润。免疫浸润是免疫系统响应的重要表现，对于疾病的发展和治疗具有重要影响。在肿瘤中，免疫细胞的浸润情况尤其重要。一方面，免疫细胞的浸润可以帮助清除肿瘤细胞，起到抗肿瘤作用。另一方面，某些肿瘤可能通过操纵免疫系统，逃避免疫细胞的攻击，从而促进肿瘤的生长和转移。因此，准确了解免疫细胞在肿瘤组织中的分布和作用，对于肿瘤治疗和预后评估非常重要。 CIBERSORT是一个强大的生物信息学工具，由斯坦福大学的研究团队开发。它利用RNA测序数据，通过解析免疫基因表达谱，估算不同免疫细胞在样本中的比例。使用CIBERSORT，我们可以精准地了解组织中不同类型免疫细胞的分布情况，洞悉免疫浸润的奥秘。CIBERSORTx来自官网（https://cibersortx.stanford.edu/）的分析流程如图所示：

CIBERSORTx分析流程

如何使用CIBERSORT？使用CIBERSORT非常简单！让我为大家展示一下： 代码具体包括： Step1 分析患者和对照样本的浸润程度

这里的LM22.txt  是CIBERSORT官方下载的文件，CIBERSORT_exp.txt是本地准备的基因表达文件，sampleName.csv是本地准备的样本信息文件，小果给大家附在最后。 ########分析患者和对照样本的浸润程度 #加载包 library(dplyr) library(tibble) library(tidyr) library(ggplot2) library(ggpubr) library(ggsci) library(reshape2) setwd("D:/wanglab/life/ziyuan/20230718/") # devtools::install_github("Moonerss/CIBERSORT") library(CIBERSORT)   # 设置分析依赖的基础表达文件 # 每类免疫细胞的标志性基因及其表达 # 基因名字为Gene symbol LM22.file <- read.delim2("./LM22.txt",header = T) LM22.file[,-1] = lapply(LM22.file[,-1], FUN = function(y){as.numeric(y)}) row.names(LM22.file) <- LM22.file$Gene.symbol LM22.file <- LM22.file[,-1] LM22.file <- as.matrix(LM22.file) #加载自己的数据用于分析计算免疫细胞 load("GSE105450_raw.Rdata") #加载自己的数据用于分析计算免疫细胞 # df <- express[,-c(1,2,4)] # #colnames(df)[1] <- "Gene symbol" # rownames(df) <- df$ORF # df <- df[,-1] df <- as.data.frame(express) write.table(df,"CIBERSORT_exp.txt",sep = "\t",col.names = T,quote = F) df <- df[row.names(LM22.file),] TCGA_TME.results <- CIBERSORT::cibersort(LM22.file ,df, perm = 1000, QN = F) #perm置换次数=1000，QN分位数归一化=TRUE # perm置换次数=1000 #输出结果 write.csv(TCGA_TME.results, "./CIBERSORT_Results_fromRcode.csv") results <- TCGA_TME.results   Step2 箱线图展示

#########箱线图展示 library(stringr) group <- sampleName$group[match(str_sub(colnames(df),1,10),sampleName$geo_accession)] group <- na.omit(group) res <- data.frame(results[,1:22])%>%   dplyr::mutate(group = group)%>%   tibble::rownames_to_column("sample")%>%   tidyr::pivot_longer(cols = colnames(.)[2:23],                names_to = "cell.type",                values_to = 'value') head(res,n=6)

pdf(file = "CIBERSORT_psignif.pdf") ggplot(res,aes(cell.type,value,fill = group)) +   geom_boxplot(outlier.shape = 21,color = "black",outlier.color = "black") +   #theme_bw() +    scale_fill_manual(values = c("#00BFC4","#F8766D"))+#设置颜色   labs(x = "Cell Type", y = "Estimated Proportion") +   theme(legend.position = "top") +   theme(axis.text.x = element_text(angle=90,vjust = 0.5,size = 14,face = "italic",colour = 'black'),         axis.text.y = element_text(face = "italic",size = 14,colour = 'black'))+   #scale_fill_nejm()+   stat_compare_means(aes(group = group),label = "p.signif",size=3,method = "kruskal.test")# p.format;p.signif dev.off()

免疫浸润结果箱线图比较

Step3 热图展示

library(pheatmap) #选择具有差异性的免疫细胞 deCell <- c("B.cells.naive","Dendritic.cells.activated","Macrophages.M0","Macrophages.M2", "Mast.cells.activated","Monocytes","Neutrophils","NK.cells.activated","NK.cells.resting",             "T.cells.CD4.memory.resting","T.cells.CD4.naive","T.cells.CD8","T.cells.regulatory..Tregs.") TME.results <- TCGA_TME.results re <- TME.results[,-(23:25)] #展示差异的免疫细胞类型 re2 <- as.data.frame(t(re[,deCell])) Group = group table(Group) an = data.frame(group = group,row.names = colnames(re2)) groupcolor=c("#00BFC4","#F8766D") names(groupcolor)<- c("Healthy person","RSV") pdf(file="差异免疫细胞丰度热图.pdf") pheatmap::pheatmap(re2,scale = "row",                    show_colnames = F,                    cluster_rows = F,cluster_cols = F,                    annotation_col = an,                    annotation_colors = list(group=groupcolor),                    color = colorRampPalette(c("navy", "white", "firebrick3"))(50)) dev.off()

差异免疫细胞丰度热图

希望通过这篇文章，你能对CIBERSORT有更深入的了解，并在生物信息学的世界里探索更多新奇的可能性。如果你对细胞组成的研究充满热情，那就赶快动手尝试一下CIBERSORT吧！