DeClust包的介绍（根据生信技能树Jimmy老师分享的乳腺癌分子分型包资料整理）

亮点：作为一种无参考谱的反卷积方法，DeClust生成的肿瘤型特异性基质谱和癌细胞内在亚型得到了单细胞RNA测序数据的支持。
期刊: Genome Medicine
论文：A reference profile-free deconvolution method to infer cancer cell-intrinsic subtypes and tumor-type-specific stromal profiles
Github link: DeClust/introduction.Rmd at master · integrativenetworkbiology/DeClust · GitHub
数据集： TCGA

1、DeClust的输入数据

①DeClust只需要两个输入，一个是肿瘤的基因表达矩阵，另一个是肿瘤亚型的数量。
②需要注意的是，基因表达矩阵是原始表达值（没有做对数转换、非负），是逐个样本的形式。基因名需要作为行名提供，以便使用基因名识别与免疫和基质标记相对应的基因。（表达矩阵为：基因名[行]×样本名[列]）

2、加载包和数据

以DeClust包提供的exprM测试数据集为例：

#install.packages("optimx")  #可能需要加载依赖包"optimx"
#library("optimx")
library("DeClust");
data(exprM)
exprM[1:10,1:5];
>           sample1    sample2    sample3    sample4    sample5
HDAC2      292.47754  179.68528  349.78428  398.77482  428.27253
ANKS1A     315.05338  387.28148  264.55057  264.87132  249.93429
RAF1       309.47248  299.73868  346.85527  353.70175  343.03136
HSPA1L      71.74604   62.04993   57.43970   69.14479   76.55563
GABRE      119.14868  147.67799  105.03538  120.91672   98.57263
KCNN4      305.39429  503.35004  256.53022  282.58205  258.05154
SLC25A3   1370.59568 1379.88828 1220.06082 1091.68869 1385.49021
NOC4L       96.68730  126.60466   95.05389   92.02751   88.66475
CTNNA1     520.47370  503.15162  617.79479  681.11550  528.33900
EXOSC2     192.31710  192.91326  135.43959  150.80908  149.84253

3、运行DeClust算法

就一句代码，r<-deClustFromMarkerlognormal(表达矩阵，亚型数量) ：

#运行时间较久，包里可以跳过这一步直接进行下一步加载
r<-deClustFromMarkerlognormal(exprM,3)