면역 침윤 분석 방법

종양은 단순한 악성 세포군이 아니라 다양한 유형의 세포로 구성된 복잡한 생태계다. 이 세포들 중에서 종양 침윤 면역 세포는 종양 통제와 치료 반응에서 핵심적인 역할을 한다. 예를 들어, 세포 독성 CD8+T 세포는 항암 면역의 주요 효과 인자인데, 이는 새로운 항원을 가지고 있는 종양 세포를 특이하게 식별하고 죽일 수 있기 때문이다. 종양 특이성 항원은 주로 돌연변이 유전자의 표현에서 비롯된다. 그러나 면역세포도 면역 억제 작용을 발휘하여 종양 발생과 면역 도피 (예: 조절성 T 세포) 를 지원할 수 있다. 따라서 다양한 유형의 종양 침투 면역 세포에 대한 정량 연구를 통해 종양 면역 반응의 메커니즘을 밝히고 종양 치료의 면역 원성 작용을 평가하며 합리적인 치료 방안을 설계하는 데 도움이 된다. 배경 소개에서 가장 유명한 표식 유전자 분석 방법은 유전자 집합 농축 분석 (GSEA) 이다. GSEA 기반 방법은 특정 세포 유형의 특이성 유전자가 관심 있는 샘플에서 높은 표현의 상위 몇 위, 다른 경우에는 낮은 표현의 상위 몇 위일 때 높은 점수를 계산하는 ES (농축 점수) 를 계산합니다.

GSEA 기반 방법은 샘플에서 세포 유형이 풍부한 반정량점수만 계산할 수 있으며, 구김방지 방법은 관심 있는 세포 유형의 상대 점수를 정량적으로 추정할 수 있습니다. 디컨 볼 루션 알고리즘은 이종 샘플의 유전자 발현 스펙트럼을 다른 세포의 유전자 발현 수준의 컨볼 루션으로 간주하고 세포 유형 특이 적 발현 스펙트럼을 설명하는 특성 행렬을 사용하여 알려지지 않은 세포 성분을 추정합니다.

다음은 태그 유전자와 GSEA 또는 기타 채점 방법을 이용하거나 디컨 볼 루션 알고리즘과 면역세포 표현 특징을 이용하여 세포 혼합물의 표현 데이터에서 면역세포를 정량화하는 계산법이다.

아래 그림은 전사 조직학 데이터에서 정량종양으로 면역세포를 침투시키는 몇 가지 계산 도구입니다.

방법 소개 * * * * 01 마커 유전자 기반 채점 방법 (1)MCPcounter

마크 유전자 정량 종양 침윤 면역세포 (CD3+T 세포, CD8+T 세포, 세포 독성 림프세포, NK 세포, B 림프세포, 단핵세포 출처 각 세포 유형 및 샘플에 대해 풍도 점수는 세포 유형 특이성 유전자 표현값의 기하학적 평균으로 각 샘플을 독립적으로 계산합니다. 점수는 임의의 단위로 표시되므로 세포 점수로 직접 해석하거나 세포 유형 간에 비교할 수 없습니다. 정량 검증을 할 때 예상 점수와 실제 세포 점수 사이에는 높은 연관성이 있어 MCP-counter 가 샘플 간 비교에 사용하는 가치를 입증합니다. MCP-counter 는 32 개의 비혈액학 종양의 19,000 개 이상의 샘플 중 면역세포와 면역세포를 수량화하는 데 적용되었다.

(2)TIminer

TIminer 는 (I) NGS 데이터의 인간 백혈구 항원 HLAs 유전자형을 포함한 다양한 종양 면역 게놈 분석을 위한 사용자 친화적인 컴퓨팅 프레임워크입니다. (ii) 돌연변이 데이터 및 HLA 유형을 사용하여 종양의 새로운 항원을 예측합니다. (iii) 대량의 RNA-seq 데이터를 통해 정량종양 침투 면역세포를 분석한다. (iv) 데이터를 표현하여 종양의 면역 원성을 정량화하다.

(3)xCell

xCell 은 적응성과 선천적인 면역세포, 조혈조조조세포, 상피세포, 세포외 기질세포 등 64 가지 면역세포의 풍도 점수를 계산할 수 있는 ssGSEA 기반 방법이다.

FANTOM5, ENCODE, Blueprint, iris (immune response in silico), hpca (human primary cell atlas), Novershtern 등 6 을 기반으로 합니다 각 세포 유형에 대해 xCell 풍도 점수를 계산하는 주요 단계는 (I) R 패킷 GSVA 를 이용하여 489 개의 유전자 세트를 별도로 ssGSEA； 하는 네 가지입니다. (ii) 한 세포 유형에 속하는 모든 유전자 세트의 ES 평균을 냅니다. (iii) 플랫폼 특이성 ES 를 풍부 점수로 전환; (iv) 스트리밍 세포술 데이터 분석과 유사한 spillover 방법을 사용하여 밀접한 관련이 있는 세포 유형 간의 관계를 바로잡는다.

02 는 표현 특징을 사용하여 세포 혼합물을 역구김 (1)DeconRNASeq

Gong 및 Szustakowski 는 제약 회귀 모형을 RNA-seq 데이터 분석에 적용하고 실제로 r-back des 에 적용합니다 5 가지 인체 조직 (뇌, 골격근, 폐, 간, 심장) 의 RNA-seq 데이터를 혼합하여 조직 유형 특이성 유전자를 결합하여 조직 또는 세포 유형의 비율을 추정합니다. Illumina's human Body Map 2.0 에서 RNA-seq 데이터로 구성된 피쳐 매트릭스를 사용하여 알고리즘을 시뮬레이션했습니다. 아직 새로운 면역 특징을 개발하지는 않았지만, 이 도구는 원칙적으로 모든 피쳐 매트릭스에 적용될 수 있습니다.

(2) cibersort

cibersort 알고리즘은 마이크로 어레이 데이터를 사용하여 특성 매트릭스를 구축하고 다양한 세포 유형 및 기능 상태의 면역 세포를 포함한 22 가지 면역 세포 표현형 표현 특징을 설명합니다. CIBERSORT 는 ν-SVR 을 사용하여 세포 점수를 평가했다. CIBERSORT 는 각각 9 개의 면역세포 서브 세트와 3 개의 면역세포 서브 세트와 동시에 디컨 볼 루션 측면에서 높은 정확도를 가지고 있으며, 4 개의 악성 면역세포의 모의 혼합물에서 테스트되었으며, 다양한 정도의 소음과 알 수 없는 종양에 루봉이 있음을 증명했다.

(3)TIMER

한 시스템이 서로 다른 면역 세포가 서로 다른 암 유형에 미치는 임상 영향을 평가하는 자원. 일련의 면역특이성 표시와 면역세포 표현 특징을 이용하여 32 가지 암 유형 중 6 가지 면역세포 유형 (B 세포, CD4 T 세포, CD8 T 세포, 중성세포, 대식세포, 나무돌기세포) 의 풍도를 추정한다. RNA-seq 또는 마이크로어레이 데이터에서 추출한 암 표현 매트릭스는 면역 세포 표현 매트릭스와 결합되어 Combat 로 정규화되어 배치 효과를 제거합니다. 면역세포 마크에서 종양 순도와 관련된 유전자를 선택하여 각 암 유형에 대해 특징 유전자를 별도로 식별한다. 마지막으로 각 암 유형에 대해 선택한 면역 세포 마커를 고려하여 표준화된 면역 세포 프로파일에서 특징 매트릭스를 구축합니다. 티머는 선형 최소 평방 회귀 방법을 사용하여 구김살을 수행하고 모든 음수 추정을 0 으로 강제합니다. CD8+와 CD4+T 세포 비율 간의 연관성을 줄이기 위해 점점 더 작은 T 세포 마커 세트로 여러 번 반복적으로 추정합니다. CIBERSORT 와는 달리 최종 추정은 표준화되지 않아 세포 그룹으로 직접 해석되거나 서로 다른 면역 세포 유형과 데이터 세트 간에 비교될 수 없습니다.

(4) epic

estimate the proportion of immune and cancer cells (epic) 는 면역 세포와 암세포의 비율을 추정하는 데 사용됩니다 EPIC 는 제약 조건 최소 평방 회귀를 사용하여 부정성 제약 조건을 디컨 볼 루션 문제에 명시적으로 도입하고 각 샘플에 있는 모든 셀 그룹의 합계가 1 개를 넘지 않도록 요구합니다.

EPIC 는 과거 대량의 종양 유전자 표현 데이터에서 암과 면역세포 또는 기타 비악성 세포 유형을 예측하는 방법의 몇 가지 한계를 극복하고 비특징적이고 가변적일 수 있는 세포 유형을 고려하고 알고리즘에서 발전했다. 흑색종이나 결직장샘플검증과 같은 대부분의 실체종양에 광범위하게 적용될 수 있지만 백혈병이나 림프종과 같은 혈액 악성 종양에는 적합하지 않다.

03 세포 구성 요소와 표현 스펙트럼을 동시에 디컨 볼 루션 (1)DSA

디지털 정렬 알고리즘 Digital Sorting Algorithm—DSA 는 혼합 조직 샘플 세트를 기반으로 하는 완전한 디컨 볼 루션 알고리즘입니다 이 알고리즘은 세 가지 악성 면역 세포계가 혼합된 마이크로어레이 데이터를 테스트하여 실제 세포 그룹과 표현 스펙트럼을 재구성했다. 이 알고리즘은 편향되지 않아 세포 유형 빈도에 대한 선험적 지식이 필요하지 않다.

< P > 저는 오늘 면역침윤에 대한 몇 가지 방법을 간략하게 소개했습니다. 이후 더 자세한 압력 상자 바닥 사용 방법 공유가 있을 것입니다. 놓치지 마세요. REF：Finotello, F., amp；; Trajanoski, Z. (2018). quantifying tumor-infiltrating immune cells from transcript omics data.cancer immunology