主讲老师第四十六课：immuneSubtypeClassier接下来，给大家介绍一种免疫分型的分析方法，除了通过聚类分析，重新构建模型。早有科学家基于对TCGA 数据库大样本的肿瘤患者免疫特征进行分析整合，以此提出了六种经典的免疫特征分型，并将该研究成果发表在 Immunity 杂志上（IF = 22.553）下面，我们一起来看下整个文章的分析思路，以及在后续生信分析中的应用方法
1.总览全文
在本文中，作者对 TCGA 数据库中 33 种癌症，超过 10,000 个肿瘤样本进行了免疫原性分析，通过比较不同组织间巨噬细胞或淋巴细胞特征、Th1:Th2 细胞比例、肿瘤异质性程度、非整倍性、新抗原负荷程度、细胞增殖、免疫调节基因的表达、预后等指标的差异，最终提出了 6种不同的免疫分型：C1：伤口愈合（wound healing）、C2：IFN-γ特性（IFN-γ dominant）、C3：炎症（inflammatory）、C4：淋巴细胞耗竭（lymphocyte depleted）、C5：免疫抑制（immunologically quiet）、C6：TGF-β特性（TGF-β dominant）。
研究发现，在所有癌症中，特定驱动基因的突变与较低的（CTNNB1，NRAS 或 IDH1）或较高的（BRAF，TP53 或 CASP8）白细胞水平相关。同时，细胞内和细胞外网络的多种控制方式（转录，microRNA，拷贝数和表观遗传过程）参与了不同免疫亚型之间和之内的肿瘤免疫细胞相互作用。
2.基于 R 语言的计算分析
讲解了那么多，那么针对一个新的数据集，应该如何将其与文章中的免疫分型进行匹配呢？作者很贴心的将文章相关的代码上传到了 GitHub 上供大家学习使用。由于文章中所用的数据格式相对较为严格，后期作者对此进行了修改，形成了一个新的 R 包，并保存在https://github.com/CRI-iAtlas/ImmuneSubtypeClassifier 下面，一起看下整个分析流程
下面，我将带大家一起学习下整个分析流程
2.1 R 包的安装与读取
首先，是 R 包的安装。基于 R 的 xgboost 包和 plotROC 包，作者开发了一个名为"ImmuneSubtypeClassifier"的包（ImmuneSubtypeClassifier-master.zip），并将 其 保 存 在GitHub 上。
对于 R 包，xgboost 包需要下载安装旧版本 1.0.0.2 版本！！！！不然整个包尽管能顺利安装，后续的分析是出不来的。因为在 xgboost 包更新以后，ImmuneSubtypeClassifier 包没有进一步进行维护更新，导致更新后的 xgboost 包无法适用。
在这里，对于该 R 包的安装，我直接从 GitHub 上下载了相关内容，大家可以通过本地导入，直接安装包的相应内容。
2.2 数据读取与分析
接下来，就是分析环节，将准备好的数据读取与分析过程。
通过 callEnsemble()函数最终可以计算得到每个样品在 6 种不同免疫分型中的评分。当然，在callEnsemble()函数中，geneids 的内容既可以是 gene symbol，也可以是 Entrez ids但一般还是推荐gene symbol在结果中分别展示了 TCGA-LUAD 患者在 6 种不同免疫分型的评分，同时，结果还给出了该患者对应的最佳分型。
3.TCGA 病人免疫特征
对于 TCGA 数据库中患者免疫学特征的分析，还有另外一种简便的方法。由于整个文章的 分 析 主 要 基于 TCGA 数 据 库 的 测 序 数 据 ， 我 们 可 以 从 UCSC XENA 网 站（http://xena.ucsc.edu/）进行下载，在这里，简单介绍一下下载方法
3.1 首先，打开 UCSC XENA 网站，并点击 Launch Xena
3.2 点击 Dataset
进入数据下载页面
3.3 选择“TCGA Pan-Cancer (PANCAN) (41 datasets)”
点击进入，在“phenotype”板块，选择免疫板块“Immune subtype (n=9,126)”，进入数据页面。
3.4 在该页面中，展示了样品名称信息和对应的免疫亚型
点击 download 处的链接，即可下载所有患者的免疫分型数据。
这样，整个 TCGA 患者的免疫分析就得到了，根据需要，提取自己的数据即可。好啦，6 种免疫细胞的浸润水平方法就介绍好了。好好运用这部分内容，至少能给你的文章增加一张大的 Figure，大家课后再
复习一下这部分的几种分析方法，同时也可以比较一下，同样的
样品，在不同分析中得到结果的差异。另外说明一个，虽然这几种方法的最初是来源于肿瘤，但是目前
很多文章也开始在使用这些方法应用于非肿瘤分析里面。