确定TME浸润模式的TMEscore包（胃癌）

news2024/11/29 22:54:57

步骤学习：

1，基因筛选：

作者使用先前研究得出的 244 肿瘤免疫相关基因（244里有AB两个细分亚集），对特征基因进行缩减。从多个免疫治疗队列中获取这些基因的重要性特征。（TCGA-SKCM、GSE78220、GSE115821、GSE35640、IMvigor210、Snyder et al.）

每个基因在每个治疗队列中预测免疫治疗反应的显著性差异P值，取−𝑙𝑜𝑔10P除每个队列的样本数量。然后把每个基因所有队列的“特征值”相加即为每个基因的特征值。（P越小，特征值越大）

特征基因筛选：Genes with feature importance lesser than -90 and larger than +80。（基因的正负号应该是）

右上绿色正相关，左下蓝色负相关

这个图纵坐标为计算的基因值，横坐标为基因顺序（按直方图顺序）

降维后的基因PCA得分与原来的基因集PCA得分相关性高。

2，建模

分别对A和B基因集进行PCA算法，以PC1为模型得分。

TMEscore = ∑ PC1i – ∑PC1j，where i is the signature score of clusters whose Cox coefficient is positive, and j is the expression level of the gene whose Cox coefficient is negative.

244基因构建的PCA模型性能与44基因构建的模型相比较。

（44-gene模型更好，可能是模型构建的基因经过降维后，混杂的基因更少性能更佳）

3，模型性能比较

TMEscore 在 mGC 中比 MSI、EBV 和 TMB 准确识别更多的患者

使用

DongqiangZeng0808/TMEscore: Calculating Tumor microenvironment score (github.com)

数据：

rm(list = ls())
library('TMEscore')
library("ggplot2")
library("patchwork")
eset <- eset_stad
pdata <- pdata_stad
tmescore<-tmescore(eset     = eset_stad, #expression data
                   pdata    = pdata_stad, #phenotype data
                   method   = "PCA", #default
                   classify = T) #if true, survival data must be provided in pdata
head(tmescore)

结果：

#remove observation with missing value
tmescore<-tmescore[!is.na(tmescore$subtype),]

p<-ggplot(tmescore,aes(x= subtype,y=TMEscore,fill=subtype))+
  geom_boxplot(notch = F,outlier.shape = 1,outlier.size = 0.5)+
  scale_fill_manual(values= c('#374E55FF', '#DF8F44FF', '#00A1D5FF', '#B24745FF'))

comparision<-combn(unique(as.character(tmescore$subtype)), 2, simplify=F)

p1<-p+theme_light()+
  stat_compare_means(comparisons = comparision,size=2.5)+
  stat_compare_means(size=2.5)

# survival analysis
colnames(tmescore)[which(colnames(tmescore)=="TMEscore_binary")]<-"score"##修改列名


fit<- survfit(Surv(time, status) ~ score, data = tmescore)
p2<-ggsurvplot(fit, 
               conf.int = FALSE,
               palette = c('#374E55FF', '#DF8F44FF'),
               risk.table = TRUE, 
               pval = TRUE,
               risk.table.col = "strata")
p2<-list(p2)
p2 <- arrange_ggsurvplots(p2, print = FALSE, ncol = 1, nrow = 1)

# print plots
(p1|p2)+plot_layout(ncol = 2, widths = c(1,2))