免疫浸润 | TCGA所有样本免疫浸润结果和免疫分型数据的下载

最新推荐文章于 2025-02-12 08:45:35 发布

小天才学习机打游戏

最新推荐文章于 2025-02-12 08:45:35 发布

阅读量1.3k

点赞数 16

文章标签：知识图谱人工智能 langchain 神经网络 windows

本文链接：https://blog.csdn.net/m0_59164520/article/details/145322595

版权

去年有分享过各种免疫浸润的计算原理和R语言实现。最近在看TCGA数据库的免疫指标和分型时，发现官网已经给出了免疫浸润、新抗原、突变负荷、CNV负荷等整理好的数据，还包括2018年发表的六种免疫分型数据。可以直接下载使用。链接：https://gdc.cancer.gov/about-data/publications/panimmune

癌症免疫Landscape

Immune Landscape of Cancer 是基于 TCGA 数据的全面肿瘤免疫微环境分析项目，为研究肿瘤免疫微环境和免疫反应提供了重要参考。

免疫相关内容

1. 肿瘤免疫浸润特征

描述肿瘤中免疫细胞（如 T 细胞、B 细胞、NK 细胞、巨噬细胞等）的浸润模式。
通过基因表达数据估算免疫细胞丰度（如使用 TIMER 和 CIBERSORT 等方法）。

2. 肿瘤免疫亚型的分类

将所有肿瘤样本划分为六种免疫亚型，每种亚型对应不同的免疫特征和生物学行为：

C1 (Wound Healing)：高表达促炎因子（如 IL-6）。显著的血管生成和巨噬细胞浸润。
C2 (IFN-γ Dominant)：高水平的 T 细胞浸润。强烈的 IFN-γ 信号。
C3 (Inflammatory)：高 B 细胞浸润。预后最好。
C4 (Lymphocyte Depleted)：单核细胞和中性粒细胞主导。高 TGF-β 信号，预后较差。
C5 (Immunologically Quiet)：免疫浸润最少，基因组稳定性高。
C6 (TGF-β Dominant)：TGF-β 相关信号增强。基质成分丰富，预后最差。

3. 肿瘤突变负荷（TMB）与免疫反应

研究不同癌症类型的突变负荷水平与免疫浸润的关系。
TMB 高的肿瘤通常伴随更多的新抗原，可能更容易诱导免疫反应。
关联 TMB 与免疫治疗的潜在疗效。

其它数据

除了免疫相关的数据之外，还提供了甲基化、拷贝数等数据，有需要的可以直接下载使用，就不用自己在慢慢算了。

关于TCGA各种免疫浸润数据的分析，之前有也工具计算过，比如TIMER2。

不过这个网站好像很久没怎么维护了，不知道现在还能不能下载它提供的数据，我还是两年前下载的，如果大家有需要，我后面可以分享一下。

immu_data <- fread("./infiltration_estimation_for_tcga.csv",data.table = F)

11070行是包含TCGA所有的样本，120列是包括了TIMER、CIBERSORT、CIBERSORT-ABS、QUANTISEQ、MCPCOUNTER、XCELL、EPIC这些计算免疫浸润方法的结果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述