免疫细胞去卷积工具immunedeconv使用指南

immunedeconv是一个R语言包，提供了统一访问计算方法的接口，用于从大量RNA测序数据中估算免疫细胞分数。该工具集成了多种主流的免疫细胞去卷积算法，为生物信息学研究者提供简单高效的分析解决方案。

快速安装与配置

通过Bioconda安装（推荐）

使用Bioconda可以自动安装所有依赖包，这是最简单的安装方式：

conda install -c bioconda -c conda-forge r-immunedeconv

标准R包安装

如果无法使用conda，也可以作为常规R包安装：

install.packages("remotes")
remotes::install_github("omnideconv/immunedeconv")

核心功能与使用方法

人类数据分析

使用deconvolute函数进行人类数据的免疫细胞去卷积：

immunedeconv::deconvolute(gene_expression_matrix, "quantiseq")

小鼠数据分析

对于小鼠数据，使用专门的函数：

immunedeconv::deconvolute_mouse(gene_expression_matrix, "mmcp_counter")

支持的免疫去卷积方法

人类数据方法

• quantiseq - 基于线性回归的快速方法
• timer - 针对肿瘤微环境优化
• cibersort - 经典的反卷积算法
• epic - 考虑细胞类型特异性
• mcp_counter - 估计组织浸润免疫细胞
• xcell - 数字化描绘组织细胞异质性
• abis - 基于RNA-Seq特征的绝对去卷积
• consensus_tme - 共识肿瘤微环境方法
• estimate - 计算肿瘤纯度评分

小鼠数据方法

• mmcp_counter - 小鼠微环境细胞计数
• seqimmucc - 基于测序的免疫细胞组成
• dcq - 数字细胞定量
• base - 基础算法

数据输入格式要求

基因表达矩阵必须是行名为基因名、列名为样本名的矩阵格式：

• 人类数据：使用HGNC基因符号
• 小鼠数据：使用MGI基因符号

实战操作流程

数据预处理

确保表达矩阵格式正确，建议使用TPM或FPKM标准化后的数据。基因名必须使用官方符号。

选择分析方法

根据研究目的选择合适的去卷积方法：

# 使用quantiseq方法进行人类数据分析
results <- immunedeconv::deconvolute(your_expression_data, "quantiseq")

# 使用estimate算法计算肿瘤纯度
estimate_results <- immunedeconv::deconvolute_estimate(gene_expression_matrix)

小鼠数据到人类数据的基因转换

小鼠数据可以通过基因名转换为人类同源基因，然后使用人类方法：

gene_expression_matrix <- immunedeconv::mouse_genes_to_human(gene_expression_matrix)
immunedeconv::deconvolute(gene_expression_matrix, "quantiseq")

自定义签名支持

某些方法支持使用自定义签名，包括签名矩阵或感兴趣细胞类型的签名基因。这些函数可用于不同组织和生物体：

# 基础算法自定义
deconvolute_base_custom()

# CIBERSORT自定义
deconvolute_cibersort_custom()

# EPIC自定义
deconvolute_epic_custom()

# ConsensusTME自定义
deconvolute_consensus_tme_custom()

项目资源导航

• 官方文档：man/ - 包含所有函数的详细说明
• 教程指南：vignettes/ - 实战案例和高级用法
• 示例数据：inst/extdata/ - 用于练习的测试数据

许可证和引用要求

请注意，虽然immunedeconv本身是免费的，但您可能需要获得使用个别方法的许可证。如果您在作品中使用此包，请引用我们的包和您使用的方法。

主要引用： Sturm, G., Finotello, F., Petitprez, F., Zhang, J. D., Baumbach, J., Fridman, W. H., ..., List, M., Aneichyk, T. (2019). Comprehensive evaluation of transcriptome-based cell-type quantification methods for immuno-oncology. Bioinformatics, 35(14), i436-i445.

最佳实践建议

1. 数据质量控制：确保输入数据经过严格的质量控制流程
2. 方法比较验证：建议使用多种方法进行分析结果对比
3. 结果验证：结合实验数据验证计算结果的可靠性
4. 参数优化：根据具体研究需求调整函数参数

通过本指南，您可以快速掌握immunedeconv的核心使用方法，开始您的免疫细胞去卷积分析工作。该工具为免疫肿瘤学研究提供了强大的计算支持。