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,感谢Jimmy老师!)
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)