引言
免疫浸润分析是指通过计算生物学方法，量化肿瘤组织或其它病变组织中各种免疫细胞的比例和活性。这些浸润的免疫细胞共同构成了“肿瘤微环境”，它们不仅是机体对抗肿瘤的“前线战场”，也是决定免疫疗法成败的关键。简单来说，它就是一份肿瘤组织的“免疫细胞成分报告”，告诉我们肿瘤内部有多少杀伤性 T 细胞、B 细胞、巨噬细胞等“友军”存在。
重要性：
- 预后判断：高水平的细胞毒性 T 细胞和记忆 T 细胞浸润通常与患者更好的生存期相关。
- 预测疗效：它是预测免疫检查点抑制剂（如 PD-1/PD-L1 抑制剂）疗效的重要生物标志物。通常，“免疫热肿瘤”（高免疫浸润）比“免疫冷肿瘤”（低免疫浸润）对治疗反应更好。
- 理解耐药机制：分析中发现大量的免疫抑制性细胞（如 Tregs、M2 型巨噬细胞）可能揭示了肿瘤逃逸免疫攻击的机制。
- 发现新靶点：为开发新的免疫疗法提供线索。
工具对比：
| 工具/平台 | 主要特点 | 适用人群 | 优点 | 缺点 |
|---|---|---|---|---|
| CIBERSORTx | 金标准方法，精度高，可分析细胞亚型，提供绝对分数。 | 追求高精度、需要分析细胞亚型的研究者。 | 1. 结果准确度高，被认为是行业金标准 2. 能够分析精细的细胞亚型 3. 提供绝对免疫细胞分数，便于样本间比较 | 1. 需要注册账户，每日分析次数有限制 2. 分析速度相对较慢 3. 对输入数据格式要求严格 |
| TIMER 2.0 | 专为癌症设计，界面直观，与 TCGA 数据无缝集成，结果可视化极佳。 | 癌症研究者，尤其是 TCGA 数据使用者。 | 1. 专门针对癌症数据优化 2. 用户界面友好，无需注册 3. 内置 TCGA 全癌种数据，支持在线分析 4. 可视化效果优秀 | 1. 可分析的细胞类型相对有限 2. 主要适用于癌症样本，其他疾病适用性待验证 3. 自定义数据分析功能相对简单 |
| xCell | 能分析最多细胞类型（64 种），并提供免疫、基质、微环境综合评分。 | 希望全面了解肿瘤微环境构成的用户。 | 1. 涵盖细胞类型最全面 2. 提供微环境综合评分 3. 分析速度快，无需注册 4. 适合全局性、探索性分析 | 1. 某些细胞类型的估算可能不够精确 2. 结果为相对分数，不能直接解释为细胞比例 3. 对稀有细胞类型的检测灵敏度有限 |
| EPIC | 特别考虑了肿瘤细胞比例，估算更准确。 | 关注肿瘤纯度的研究者。 | 1. 明确考虑肿瘤纯度的影响 2. 对免疫细胞和癌细胞的估算更准确 3. 算法透明，易于理解 4. 适用于高肿瘤纯度样本 | 1. 可分析的细胞类型较少 2. 在低肿瘤纯度样本中表现可能不佳 3. 需要提供参考基因表达谱 |
| ImmuCellAI | 专注于 T 细胞亚型，特别是耗竭 T 细胞，对免疫治疗研究有优势。 | 免疫治疗机制探索者。 | 1. 专门针对 T 细胞亚型分析 2. 对耗竭 T 细胞的检测特别敏感 3. 在免疫治疗响应预测方面表现优异 4. 支持免疫治疗生物标志物发现 | 1. 主要关注 T 细胞，其他免疫细胞类型覆盖有限 2. 对非 T 细胞相关的免疫研究适用性较低 3. 界面和可视化相对简单 |
TIMER3
相比于前面发表的 TIMER1.0 和 TIMER2.0 版本，最近该团队在 Nucleic Acids Research（NAR） 期刊发表了最新的 TIMER3.0（https://compbio.cn/timer3/）。TIMER3.0 相较于其前身 TIMER2.0 和最初的 TIMER1.0，在数据覆盖、分析方法、算法整合和用户交互方面进行了全面且重大的升级。
| 特性/功能 | TIMER2.0 | TIMER3.0 | 改进点 |
|---|---|---|---|
| 数据集 | 主要基于 TCGA | 扩展至 TCGA、10 个大型癌症队列，以及 32 个免疫治疗相关的癌症队列 | 覆盖更广的癌症类型和免疫治疗背景，支持大规模、系统性分析 |
| 生存分析 | 仅支持总生存期 | 扩展至 OS, PFS, PFI, DFS, DSS 等多种临床终点 | 支持更细致的预后评估，满足不同临床研究需求 |
| 免疫细胞反卷积算法 | 6 种算法（TIMER, CIBERSORT, quanTIseq, xCELL, MCP-counter, EPIC） | 更新至 15 种先进算法（11 种人源特异性，4 种鼠源特异性），新增如 ABIS, ConsensusTME, ESTIMATE, ImmuCellAI, TIDE, seq-ImmuCC, DCQ, BASE 等 | 显著提高了免疫细胞估算的鲁棒性和全面性；新增对小鼠数据的支持，拓展了应用范围 |
| 免疫治疗模块 | 无 | 新增。包含基因表达分析、差异表达分析、生存分析和基于 ROC 的预测 | 首次系统性支持免疫治疗生物标志物发现和疗效预测 |
| 基因富集分析 | 无 | 新增。整合了 GO, KEGG, HALLMARK 等基因集的富集分析 | 便于系统性探索癌症中的功能通路，增强生物学解释性 |
| 用户界面 | 基础的基因搜索和静态可视化 | 增强的交互性：可选择的癌症类型、基因别名支持、可点击的热图以进行详细探索 | 提高了可用性和定制化程度，为用户提供了更流畅、直观的研究体验 |
Immune Infiltration Aanlysis Module
输入基因和选择癌症类型：
下面出一个热图，红色代表显著正相关，蓝色代表显著负相关，热图可以下载及对应的数据，大家可以自己下载数据进行绘图：
后面还有免疫突变和体细胞拷贝数改变等 panel 进行不同数据的浸润分析。
Cancer Exploration Module
这个模块可以探索基因表达和癌症的关系：
基因表达相关性分析：
基因富集分析：
点击数值表格可以显示该通路基因在正常和癌组织里面的表达热图：
Immunotherapy Response Prediction Module
模块允许用户研究在 Bulk RNA-seq 基因表达数据中，免疫治疗与非免疫治疗之间的差异表达。使用小提琴图显示基因表达水平的分布。通过 limma 进行差异分析。可以识别在免疫治疗中相对于非免疫治疗组织上调或下调的基因，当有非免疫治疗数据时，这些基因在灰色列中显示。
免疫治疗差异分析：
首先选择癌症类型，左边代表治疗应答与非应答的差异分析结果，右边为治疗前后的差异分析结果：
下面是差异火山图和表格：
Estimation module
最后这个模块支持上传自己的表达矩阵进行分析：
结尾
路漫漫其修远兮,吾将上下而求索。
欢迎加入生信交流群。加我微信我也拉你进 微信群聊老俊俊生信交流群(微信交流群需收取 20 元入群费用,一旦交费,拒不退还!(防止骗子和便于管理)) 。
声明：来自老俊俊的生信笔记，仅代表创作者观点。链接：https://eyangzhen.com/3645.html
