汉力建设网站,百度推广外包哪家不错,公司营销型网站制作,wordpress.文章缩略图生信碱移
病理切片的TILs评分
TCGA 数据库是最大的肿瘤组学公开数据库之一。尽管如此#xff0c;更多的研究往往仅局限于关注 TCGA 中各类肿瘤样本的上游组学信息或基本病理特征#xff0c;而忽略了对样本数字化 HE 病理染色图像的进一步应用。 ▲ TCGA中肿瘤样本的病…生信碱移
病理切片的TILs评分
TCGA 数据库是最大的肿瘤组学公开数据库之一。尽管如此更多的研究往往仅局限于关注 TCGA 中各类肿瘤样本的上游组学信息或基本病理特征而忽略了对样本数字化 HE 病理染色图像的进一步应用。 ▲ TCGA中肿瘤样本的病理染色切片
早在 2018 年一篇的 Cell Reports [IF:7.5] 文章中研究人员便针对 13 种 TCGA 肿瘤类型的 HE 图像使用卷积神经网络对图像块进行建模预测了切片区域内肿瘤浸润淋巴细胞TILs的映射强度。在他们的结果中不同肿瘤类型、免疫亚型和肿瘤分子亚型的 TIL 密度和空间结构存在差异这表明空间浸润 TILs 评分可能反映特定肿瘤细胞的异常状态。 ▲ DOI: 10.1016/j.celrep.2018.03.086
最近看到不少文章使用这个 TILs 评分但只是看起来唬人。由于13 种肿瘤的 TILs 评分都已经计算出来了所以直接应用就好。这 13种肿瘤分别是 BRCA: 乳腺癌 (Breast Invasive Carcinoma) LUAD: 肺腺癌 (Lung Adenocarcinoma) UCEC: 子宫内膜癌 (Uterine Corpus Endometrial Carcinoma) COAD: 结肠癌 (Colon Adenocarcinoma) LUSC: 肺鳞癌 (Lung Squamous Cell Carcinoma) SKCM: 皮肤黑色素瘤 (Skin Cutaneous Melanoma) STAD: 胃腺癌 (Stomach Adenocarcinoma) PRAD: 前列腺癌 (Prostate Adenocarcinoma) BLCA: 膀胱癌 (Bladder Urothelial Carcinoma) CESC: 宫颈癌和子宫颈鳞状细胞癌 (Cervical Squamous Cell Carcinoma and Endocervical Adenocarcinoma) PAAD: 胰腺癌 (Pancreatic Adenocarcinoma) READ: 直肠癌 (Rectum Adenocarcinoma) UVM: 葡萄膜黑色素瘤 (Uveal Melanoma)
这篇文章中小编将讲讲如何下载指定样本的图片以及计算不同亚型间的 TILs评分差异注意仅适用于上面的13种肿瘤。示例数据代码的网盘链接就放在公众号后台铁子们发送 TIL病理评分 即可获得。可以产生的结果如下 ▲ 最终的示例结果如上图所示。
一、计算亚型间的TIL差异
① 这里给大家举的是一个例子如果我们做分型研究分好了不同的肿瘤样本如何比较 TIL 得分在不同分组病人中的差异。提供的示例文件名称分别是sample.txt、til_percentage.txt内容展示如下图 ▲ Tab 键分隔的样本属性文件sample.txt第一列是病人的ID第二列是我们预先分好的病人亚型每一列的标题不需要修改。 ▲ Tab键分隔的TIL得分文件til_percentage.txt这个是从网站中直接下载的第一列是样本ID第二列是TIL得分总共包含上述提到的13个癌种大家直接使用就好。
② 可视化以及差异检验代码如下
library(ggpubr)# 读入数据
til - read.table(til_percentage.txt, header T, sep \t)
sample - read.table(sample.txt, header T, sep \t)
com_id - intersect(til$ParticipantBarcode, sample$ParticipantBarcode)
rownames(til) - til$ParticipantBarcode
rownames(sample) - sample$ParticipantBarcode
sample - sample[com_id, ]
til - til[com_id, ]
til$Group - sample$Immune.Subtype# 设置比较组
my_comparisons - list( c(C1, C2))
ggviolin(til, x Group, y til_percentage, fill Group,palette c(#00AFBB, #E7B800),add boxplot, add.params list(fill white))stat_compare_means(comparisons my_comparisons, label p.signif) # Add significance levelsstat_compare_means(label.y 50)③ 看看不同分组病人的具体得分这里可以看到哪些病人得分高选几个差异大的等会下载其结果图片
View(til) # 可以用来看看不同分组病人的id二、下载指定样本的病理图片
① 浏览器中进入下述网址 https://cancerimagingarchive.net/datascope/TCGA_TilMap/
② 点击下方截图中的TIL Browser ③ 然后在搜索框中输入病人id ④ 鼠标移至图片后右键点击图片另存为即可进行下载 ⑤ 这里我的C1、C2分别下载的是TCGA-4H-AAAK与TCGA-BH-A18V将两张图片简单排版即可展示如下 从图片来看我们的结论是 C2 的样本肿瘤浸润淋巴细胞更多而 C1 相对更少。
欢迎各位关注
就分享到这里了
