肿瘤微环境——使用R包estimate评估基质细胞、免疫细胞与肿瘤细胞评分

肿瘤微环境是什么

肿瘤微环境由多种细胞和非细胞成分组成，主要包括：

1. 基质细胞 ：如成纤维细胞，参与形成肿瘤的支持结构。
2. 免疫细胞 ：如T细胞、巨噬细胞，负责免疫监视和抗肿瘤反应。
3. 血管系统 ：为肿瘤提供营养和氧气，支持其生长。
4. 细胞外基质 ：提供结构支持，并参与细胞信号传导。

这些成分共同构成了肿瘤的生存环境，影响其生物学行为和治疗反应。

为什么要进行肿瘤微环境分析

肿瘤微环境可以评估不同样本间免基质细胞、免疫细胞和肿瘤细胞的含量，为后续做免疫细胞在不同组间的差异分析做数据准备。

下面我们讲一下R语言 estimate 包做肿瘤微环境分析的原理，本质就是一个数学模型来预测一块肿瘤组中各类细胞的含量。 estimate 包的打分原理基于特定基因集的表达水平，通过计算基质细胞、免疫细胞和肿瘤细胞相关基因的表达特征，分别生成基质评分（Stromal Score）、免疫评分（Immune Score）和肿瘤评分（Tumor Purity）。这些评分反映了肿瘤微环境中不同成分的相对比例和活跃程度，其中基质评分和免疫评分分别代表基质细胞和免疫细胞的浸润程度，而肿瘤评分则与肿瘤细胞的纯度呈负相关。

讲完原理，我们看下代码实现部分

如何使用R包 estimate 进行肿瘤微环境分析

estimate 是一个常用的R包，用于计算肿瘤微环境中基质细胞、免疫细胞和肿瘤细胞的评分。以下是具体步骤：

1.安装和加载R包

在R中安装并加载 estimate 包：

library(ggplot2)
library(limma)  
library(estimate)  

2.读取 基因表达矩阵，行代表基因，列代表样本。数据可以是RNA-seq或芯片数据

# 读取文件并整理输入文件
expression_data <- read.table("expression_matrix.txt", header = TRUE, sep = "\t", check.names = FALSE, row.names = 1)  # 读取表达数据文件
expression_data <- as.matrix(expression_data)  # 转换为矩阵

3.删除正常样品，只保留肿瘤样本

# 删除正常样品
sample_group <- sapply(strsplit(colnames(expression_data), "\\-"), "[", 4)  # 提取组别信息
sample_group <- sapply(strsplit(sample_group, ""), "[", 1)  # 提取组别的第一个字符
sample_group <- gsub("2", "1", sample_group)  # 将2替换为1
expression_data <- expression_data[, sample_group == "0"]  # 只保留肿瘤样品

# 输出整理好的数据
tumor_expression_matrix <- rbind(ID = colnames(expression_data), expression_data)
write.table(tumor_expression_matrix, file = "tumor_expression_matrix.tsv", sep = "\t", quote = FALSE, col.names = FALSE)

4.运行 estimate 函数

使用 estimateScore 函数计算评分：

filterCommonGenes(input.f = "tumor_expression_matrix.tsv", output.f = "common_genes.gct", id = "GeneSymbol")  # 过滤常见基因
estimateScore(input.ds = "common_genes.gct", output.ds = "estimate_score.gct")  # 计算估计分数
estimate_scores <- read.table("estimate_score.gct", skip = 2, header = TRUE)  # 读取分数文件

该函数会返回一个包含基质细胞、免疫细胞和肿瘤细胞评分的矩阵。

我们打印 estimate_scores 变量，就是评分的结果

可以看到，1到4行分别是基质细胞评分、免疫细胞评分、综合评分、肿瘤纯度。我们将 estimate_scores 矩阵转置一下，输出一个行名为样本名称，列名为基质细胞评分、免疫细胞评分、综合评分、肿瘤纯度的矩阵

5.转置 estimate_scores

# 输出每个样品的打分
rownames(estimate_scores) <- estimate_scores[, 1]
transposed_scores <- t(estimate_scores[, 3:ncol(estimate_scores)])
rownames(transposed_scores) <- gsub("\\.", "\\-", rownames(transposed_scores))

# 保存到文件
final_output <- rbind(ID = colnames(transposed_scores), transposed_scores)
write.table(final_output, file = "tme_scores.tsv", sep = "\t", quote = FALSE, col.names = FALSE)  # 保存为文件

# 打印转置后的表达矩阵
transposed_scores

可以看到行名为不同样本的名称，1到4列分别为样本的基质细胞评分、免疫细胞评分、综合评分、肿瘤纯度。其中第3列 ESTIMATEScore 为综合评分，是前两列之和，分数越到表示肿瘤的纯度越低；第4列就是肿瘤的纯度。

这些指标评分反映了肿瘤微环境中不同成分的活跃程度：

1. 基质细胞评分高 ：提示肿瘤微环境中基质细胞活跃，可能与肿瘤转移相关。
2. 免疫细胞评分高 ：表明免疫细胞浸润较多，可能对免疫治疗有较好反应。
3. 肿瘤细胞评分高 ：反映肿瘤细胞占比高，可能与肿瘤恶性程度相关。

下一篇，我们讲一下如何做肿瘤微环境差异分析和小提琴图可视化

代码&文件联系作者，备注 “肿瘤微环境”

写作不易，欢迎关注