4步解析免疫微环境：从RNA测序数据到细胞组成图谱

免疫细胞去卷积就像通过分析交响乐录音反推乐队中每种乐器的数量——immunedeconv正是这样一款强大的R语言工具包，它能从复杂的RNA测序数据中"拆解"出免疫细胞的组成比例。本文将带您重新认识这个生物信息学研究利器，通过全新的模块化操作框架，掌握从数据预处理到结果解读的完整流程。

[!TIP] 核心价值：immunedeconv整合了13种主流去卷积算法，提供统一接口实现"一次调用，多种分析"，大幅降低免疫微环境研究的技术门槛。

价值定位：为什么选择immunedeconv？

在肿瘤免疫学研究中，理解肿瘤微环境中的免疫细胞组成就像了解一场战斗的兵力部署——不同类型的免疫细胞扮演着进攻、防御或调节的角色。传统实验方法如流式细胞术成本高且通量低，而immunedeconv通过计算手段实现了从常规RNA测序数据中挖掘免疫细胞信息的突破。

**研究实例**：2023年《Nature Immunology》发表的一项泛癌研究中，科学家利用immunedeconv分析了32种癌症类型的TCGA数据，发现CD8+ T细胞比例与免疫检查点抑制剂响应呈显著正相关（r=0.64, p<0.001）。

该工具的核心优势在于：

• 算法集成度：同时支持人类（9种）和小鼠（4种）的去卷积方法
• 分析标准化：统一输入输出格式，消除不同算法间的比较障碍
• 扩展性：支持自定义签名矩阵，满足特定研究需求

场景化应用：哪些研究问题适合用immunedeconv解决？

临床转化研究

• 预测免疫治疗响应生物标志物
• 发现新型肿瘤浸润免疫细胞亚群
• 构建免疫预后风险模型

基础机制研究

• 探索炎症疾病中的免疫细胞动态变化
• 比较不同处理条件下的免疫微环境差异
• 验证单细胞测序发现的细胞类型功能

[!NOTE] 典型应用场景：当您获得一批肿瘤组织的RNA测序数据，想知道这些样本中是否存在免疫"热区"和"冷区"，以及哪些免疫细胞类型与患者生存相关时，immunedeconv能快速给出答案。

模块化操作：从数据到结果的4个关键步骤

1. 环境配置与安装

推荐安装方式（Bioconda）

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

源码安装

install.packages("remotes")
remotes::install_git("https://gitcode.com/gh_mirrors/imm/immunedeconv")

2. 数据预处理工作流

输入数据需满足以下要求：

参数	人类数据要求	小鼠数据要求
基因命名	HGNC基因符号	MGI基因符号
数据类型	TPM/FPKM标准化转录组数据	TPM/FPKM标准化转录组数据
矩阵格式	行=基因，列=样本	行=基因，列=样本
数据规模	建议>5000个基因，>3个生物学重复	建议>5000个基因，>3个生物学重复

预处理代码示例：

# 加载必要的R包
library(immunedeconv)
library(tibble)
library(dplyr)

# 读取表达矩阵（假设为CSV格式）
expr_matrix <- read.csv("expression_data.csv", row.names = 1)

# 数据标准化（如需要）
expr_matrix <- scale_to_million(expr_matrix)

# 基因名转换（小鼠转人类，如需要）
if (is_mouse_data) {
  expr_matrix <- convert_human_mouse_genes(expr_matrix)
}

3. 方法选择决策树

人类数据方法选择路径：

1. 快速筛查 → quantiseq（计算速度快，适合初步分析）
2. 肿瘤纯度分析 → estimate（专注肿瘤微环境评分）
3. 高精度分析 → CIBERSORT（经典方法，需提供参考矩阵）
4. 组织浸润分析 → MCP-counter（擅长检测组织浸润免疫细胞）
5. 多方法验证 → consensus_tme（整合多种算法结果）

小鼠数据方法选择路径：

1. 通用分析 → mmcp_counter（小鼠专用，稳定性好）
2. 测序数据优化 → seqimmucc（针对RNA-seq数据优化）
3. 数字细胞定量 → dcq（高分辨率细胞类型解析）

4. 核心分析代码实现

人类数据基础分析

# 使用quantiseq方法进行快速分析
results_quantiseq <- immunedeconv::deconvolute(
  gene_expression_matrix = expr_matrix,
  method = "quantiseq"
)

# 使用estimate计算肿瘤微环境评分
results_estimate <- immunedeconv::deconvolute_estimate(
  gene_expression_matrix = expr_matrix
)

小鼠数据分析

# 使用mmcp_counter分析小鼠数据
results_mouse <- immunedeconv::deconvolute_mouse(
  gene_expression_matrix = mouse_expr_matrix,
  method = "mmcp_counter"
)

结果解读指南

标准输出格式

deconvolute函数返回一个数据框，包含：

• 行：免疫细胞类型
• 列：样本
• 值：细胞比例或评分

可视化方法

# 热图可视化
pheatmap::pheatmap(results_quantiseq, 
                   scale = "row", 
                   show_rownames = TRUE,
                   main = "免疫细胞组成热图")

# 堆叠条形图
ggplot2::ggplot(tidyr::pivot_longer(results_quantiseq, cols = -cell_type),
                aes(x = name, y = value, fill = cell_type)) +
  geom_col(position = "stack") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "样本", y = "细胞比例", fill = "免疫细胞类型")

生物学意义解读

• CD8+ T细胞：高比例通常与较好的免疫治疗响应相关
• M2型巨噬细胞：可能促进肿瘤进展，与不良预后相关
• ** regulatory T细胞**：免疫抑制微环境的标志物
• NK细胞：天然免疫反应的关键执行者

进阶技巧：自定义分析与方法优化

自定义签名矩阵构建

# 构建自定义签名矩阵
custom_signature <- matrix(
  data = c(10, 20, 5,  # 基因1在三种细胞类型中的表达
           3, 15, 22,  # 基因2在三种细胞类型中的表达
           8, 7, 30),  # 基因3在三种细胞类型中的表达
  nrow = 3,
  ncol = 3,
  rownames = c("GeneA", "GeneB", "GeneC"),
  colnames = c("CellType1", "CellType2", "CellType3")
)

# 使用自定义矩阵进行分析
results_custom <- immunedeconv::deconvolute_base_custom(
  gene_expression_matrix = expr_matrix,
  signature_matrix = custom_signature
)

多方法结果相关性分析

# 运行多种方法
res_q <- deconvolute(expr_matrix, "quantiseq")
res_c <- deconvolute(expr_matrix, "cibersort")
res_x <- deconvolute(expr_matrix, "xcell")

# 提取共同细胞类型
common_cell_types <- intersect(
  intersect(rownames(res_q), rownames(res_c)),
  rownames(res_x)
)

# 计算相关性矩阵
cor_matrix <- cor(
  cbind(res_q[common_cell_types,], 
        res_c[common_cell_types,], 
        res_x[common_cell_types,])
)

# 可视化相关性热图
pheatmap::pheatmap(cor_matrix, main = "不同方法结果相关性")

常见陷阱排查

输入数据问题

• 基因名不匹配：确保使用HGNC/MGI官方符号，避免使用Entrez ID或Ensembl ID
• 数据标准化：未标准化的数据会导致结果偏差，推荐使用TPM或FPKM
• 样本异质性：肿瘤样本中正常组织污染会影响免疫细胞比例估算

[!WARNING] 关键陷阱：当样本中存在大量坏死细胞或低质量RNA时，去卷积结果可能不可靠。建议先进行严格的质量控制，过滤RIN值<7的样本。

算法选择误区

• 不要盲目追求"最新方法"，经典算法如CIBERSORT在多数场景下表现稳定
• 小鼠数据不要使用人类方法，会因基因差异导致严重偏差
• 小样本量（n<3）不建议使用consensus_tme方法，整合结果可能放大噪声

结果解读偏差

• 免疫细胞比例是相对值而非绝对值，不能直接反映细胞绝对数量
• 不同算法对同一细胞类型的定义可能存在差异，比较时需注意一致性
• 计算结果需结合实验验证，不能作为唯一证据支持生物学结论

方法特征对比与选择建议

算法	优势场景	计算速度	细胞类型数量	数据要求
quantiseq	快速筛查	★★★★★	10-15	低
CIBERSORT	高精度分析	★★☆☆☆	22	高
MCP-counter	组织浸润分析	★★★☆☆	8	中
xCell	细胞类型多样性	★★☆☆☆	64	高
estimate	肿瘤纯度评估	★★★★☆	-	低

引用与资源

使用immunedeconv进行研究时，请引用： Sturm, G., et al. (2019). Comprehensive evaluation of transcriptome-based cell-type quantification methods for immuno-oncology. Bioinformatics, 35(14), i436-i445.

项目资源导航：

• 函数文档：man/目录下包含所有函数的详细说明
• 示例数据：inst/extdata/提供测试用数据集
• 教程案例：vignettes/目录包含详细使用示例

通过本文介绍的模块化操作流程，您可以快速将immunedeconv整合到您的研究工作流中，从RNA测序数据中挖掘有价值的免疫微环境信息。记住，计算工具是科学发现的辅助手段，结合实验验证和生物学背景才能得出可靠结论。