肿瘤预测TIDE的使用

http://tide.dfci.harvard.edu/login/用edu邮箱进行注册。input有需要进行标准化。input教程：【预测抗PD1和抗CTLA4免疫治疗反应的在线网站工具使用方法】TIDE: TumorImmuneDysfunction andExclusion_哔哩哔哩_bilibiliTIDE算法来预测免疫治疗疗效 – 王进的个人网站 (jingege.wang)在线分析得

hx2024

3938人浏览 · 2023-09-21 16:28:36

hx2024 · 2023-09-21 16:28:36 发布

在线网站

用edu邮箱进行注册。Tumor Immune Dysfunction and Exclusion (TIDE) (harvard.edu)

input有需要进行标准化。input教程：

【预测抗PD1和抗CTLA4免疫治疗反应的在线网站工具使用方法】TIDE: Tumor Immune Dysfunction and Exclusion_哔哩哔哩_bilibili

TIDE算法来预测免疫治疗疗效 – 王进的个人网站 (jingege.wang)

在线分析得出结果解读：

肿瘤TIDE在线分析结果中各项的具体含义如下：

No benefits: 表示该肿瘤样本在免疫治疗中没有受益，即患者对免疫治疗的反应不明显。
Responder: 表示该肿瘤样本对免疫治疗有积极的反应，可能对免疫治疗有较好的效果。
TIDE: Tumor Immune Dysfunction and Exclusion（肿瘤免疫功能障碍和排斥）的缩写，是一种衡量肿瘤免疫治疗反应的指标。它可以评估肿瘤细胞、免疫细胞和免疫逃逸机制之间的相互作用。
IFNG: interferon gamma（干扰素γ），是一种由免疫细胞产生的细胞因子，对免疫活性具有重要作用。
MSI Expr Sig: Microsatellite Instability Expression Signature（微卫星不稳定性表达标记），用于评估肿瘤基因组的微卫星不稳定性程度。微卫星不稳定性与免疫治疗的反应之间存在关联。
Merck18: Merck18 gene signature（Merck18基因签名），是一种用于预测免疫检查点抑制剂治疗反应的基因组标记。
CD274: Cluster of Differentiation 274，也称为PD-L1（Programmed Death-Ligand 1），是一种免疫检查点分子，与免疫治疗的效果相关。
CD8: Cluster of Differentiation 8，也称为CD8+ T淋巴细胞。CD8+ T细胞是一种重要的免疫细胞，与抗肿瘤免疫反应有关。
CTL.flag: Cytotoxic Lymphocyte（细胞毒性淋巴细胞）标志物，用于评估肿瘤浸润淋巴细胞的情况。
Dysfunction: 免疫功能障碍，指免疫系统在抵抗肿瘤时受到抑制或功能异常。
Exclusion: 免疫排斥，指肿瘤细胞阻止免疫细胞进入肿瘤微环境，从而逃避免疫攻击。
MDSC: Myeloid-Derived Suppressor Cells（髓系来源的抑制性细胞），是一类免疫抑制细胞，可以抑制免疫细胞的活性。
CAF: Cancer-Associated Fibroblast（癌相关成纤维细胞），是一种存在于肿瘤组织中的纤维细胞，参与肿瘤的生长和进展。
TAM M2: Tumor-Associated Macrophage M2（肿瘤相关巨噬细胞M2型），是一种类型的巨噬细胞，与肿瘤免疫逃逸和免疫抑制有关。

免疫队列
TIDE数据库还可以下载很多免疫治疗队列的表达矩阵进行分析

Tumor Immune Dysfunction and Exclusion (TIDE) (harvard.edu)

例如：GSE93157队列。Programmed death 1 receptor blockade and immune-related gene expression profiling in non-small cell lung carcinoma, head and neck squamous cell carcinoma and melanoma。GEO Accession viewer (nih.gov)

也可以从TIDE网页下载表达矩阵。

包括的免疫治疗队列

ICB Cohorts	Data Public Available			# of Patients (Not Available)	# of Patients (Included)
ICB Cohorts	Transcriptome	Response Outcome	Survival Outcome
Van Allen et al., Science 2015 [1]	Yes	Yes	Yes		42
Chen et al., Cancer Discov 2016 [2]	Yes	Yes	No		33
Hugo et al., Cell 2016 [3]	Yes	Yes	Yes		25
Lauss et al., Nat Commun 2017 [4]	Yes	Yes	Yes		28
Ayers et al., J Clin Invest 2017 [5]	No	No	No	81	\
Prat et al., Cancer Res 2017 [6]	Yes	Yes	Yes		33
Nathanson et al., Cancer Immunol Res 2017 [7]	Yes	Yes	Yes		24
Riaz et al., Cell 2017 [8]	Yes	Yes	Yes		51
Miao et al., Science 2018 [9]	Yes	Yes	Yes		33
Mariathasan et al., Nature 2018 [10]	Yes	Yes	Yes		348
Kim et al., Nat Medicine 2018 [11]	Yes	Yes	No		45
McDermott et al., Nat Medicine 2018 [12]	Yes	Yes	No		263
Rodig et al., Sci Transl Med 2018 [13]	No	No	No	181	\
Cristescu et al., Science 2018 [14]	No	No	No	315	\
Gide et al., Cancer Cell 2019 [15]	Yes	Yes	Yes		73

Table S2. Data availability of published ICB studies. All studies are annotated separately by the availability of transcriptomic data, response outcome, and survival outcome.

注意表达矩阵处理方法

下载的表达矩阵含有负值

处理方式：For each RNA-seq dataset, the transcriptomic profile was log2(1+TPM) transformed. We standardized the log scale transcriptome data across patients by quantile-normalization, and further normalized the expression values of each gene by subtracting the average among all samples. 对于每个 RNA-seq 数据集，转录组概况都进行了 log2（1+TPM）转换。我们通过量化归一化对患者的对数尺度转录组数据进行标准化，并通过减去所有样本的平均值进一步归一化每个基因的表达值。（有两次转换）

所以下载的表达矩阵是经过归一化后的值。