RIMA：肿瘤免疫表征的Bulk转录组数据综合计算分析 

在过去的二十年里，免疫系统在肿瘤进展和转移中发挥着重要作用。癌症免疫疗法利用患者的先天性和适应性免疫系统攻击癌症细胞。这些免疫疗法包括针对细胞毒性T淋巴细胞相关蛋白（CTLA）-4、程序性死亡1（PD-1）和程序性死亡配体1的免疫检查点阻断（ICB）疗法、肿瘤过滤淋巴细胞的过继性T细胞转移、嵌合抗原受体T细胞，以及个性化的癌症疫苗。癌症免疫治疗在各种癌症类型中显示出持久缓解和临床成功。 

然而，患者的结果是异质的，差异很大。已经进行了许多研究来确定与肿瘤免疫和免疫治疗反应相关的分子特征。这些分子特征包括（i）遗传标记，（ii）基因表达特征，（iii）肿瘤免疫浸润的测量，（iv）免疫受体库和（v）微生物组的特征。首先，肿瘤突变负担是免疫治疗反应的一个众所周知的遗传标记，因为较大的肿瘤突变负担与非小细胞肺癌和转移性黑色素瘤的ICB患者预后较好相关。此外，强MHC结合亲和力和T细胞对错义突变衍生的新抗原的识别也与阳性存活率相关。第二，除癌症遗传标记外，免疫相关基因表达特征也被证明对肿瘤免疫和免疫治疗反应具有预后和预测价值。Rooney等人量化了颗粒酶A和穿孔素基因表达的肿瘤细胞溶解活性，并将这一指标与生存益处和改善预后相关联。Ayers等人开发了一种预测抗PD1反应的28个基因干扰素-γ（INF-γ）特征，包括与抗原呈递、趋化因子表达、细胞溶解活性和适应性免疫抵抗相关的基因。第三，肿瘤免疫浸润的测量也对肿瘤免疫具有预测力：Gentes等人揭示了肿瘤相关白细胞和预后基因与肿瘤异质性和癌症预后相关，Thorsson等人整合了《癌症基因组图谱》（The Cancer Genome Atlas，TCGA）泛癌基因表达谱，并根据肿瘤微环境（tumor micro-environment，TME）特征和生存结果确定了六种不同的免疫亚型。第四，分析T细胞受体（TCRs）和B细胞受体（BCRs）的免疫库有助于阐明T细胞和B细胞肿瘤免疫的机制：Zhang等人在TCGA急性髓系白血病数据集中揭示了T和B细胞克隆扩增的影响，表明高度扩增的IgA2 B细胞与总生存率相关。Hopkins等人表明，在抗CTLA4和抗PD1治疗的胰腺导管腺癌中，T细胞受体库的克隆性与患者的生存率和结果相关。Tumeh等人还发现，对抗PD1治疗有反应的转移性黑色素瘤患者的肿瘤内T细胞库比没有反应的患者更广泛。最后，微生物组也影响宿主免疫系统，可能有助于癌症的诊断和预后。例如，Poore等人检查了TCGA转录组数据中的微生物读数，并在组织和血液样本中发现了肿瘤特异性微生物特征，为基于微生物的癌症诊断潜力提供了新的见解。此外，Gopalakrishnan等人发现，较高的肠道微生物组多样性与转移性黑色素瘤对抗PD1免疫疗法的反应改善有关。 

RNA-seq是一种成本效益高、用途广泛的癌症细胞和肿瘤微环境特征分析方法。使用转录组谱的计算方法有助于我们理解肿瘤免疫，以及为我们描绘免疫治疗反应的预后和预测标志物的能力。这些方法为免疫反应预测因子提供了有价值的见解，如基因表达特征、肿瘤免疫细胞浸润的估计、免疫库特征和与免疫反应相关的微生物组特征。目前还没有系统的管道来进行专注于肿瘤免疫和免疫治疗的综合RNA-seq分析。因此，Yang等人提出了一个有效、准确和用户友好的方法RIMA来分析RNA-seq数据(https://liulab-dfci.github.io/RIMA/)，强调了与肿瘤免疫和免疫疗法相关的分析（图1和表1）。 

图1 使用RNA-seq免疫分析（RIMA）对批量RNA-seq数据进行免疫分析的流程图。RIMA由一个预处理数据模块和七个与肿瘤免疫微环境相关的下游模块组成。预处理模块包括读取比对、质量控制、基因定量和批次效应去除。下游模块包括差异表达和基因集富集分析、使用已知基因表达特征的免疫治疗反应预测、免疫细胞浸润估计、免疫库分析、基因融合鉴定、人类白细胞抗原（HLA）分型和微生物组分析。DE，差异表达；KEGG，京都基因和基因组百科全书。 

表1 转录组数据免疫分析的常用方法和工具

在过去的十年中，癌症免疫治疗改变了癌症治疗。与此同时，RNA-seq已成为一种成熟且经济有效的分析技术，并越来越多地用于癌症免疫学和免疫治疗研究。RNA-seq是多功能的，使科学家能够研究肿瘤免疫的许多方面，如识别治疗反应基因特征、差异表达途径、肿瘤免疫细胞浸润、TCR/BCR库特征和微生物群丰度。已经开发了许多计算方法来分析RNA-seq数据并表征肿瘤免疫的不同方面。肿瘤RNA-seq数据的综合性和免疫特异性计算分析将有助于推进癌症免疫学和免疫肿瘤学研究。RIMA在线教程和配套管道将作为一个全面的资源，捕捉该领域的最新进展，并提供对肿瘤免疫和免疫疗法反应的见解。正在进行的研究将逐步发现更多的免疫标志物和新的免疫靶点。 

RIMA 流程的相关代码参见：https://github.com/liulab-dfci/RIMA_pipeline 

参考文献

[1] Yang L, Wang J, Altreuter J, Jhaveri A, Wong CJ, Song L, Fu J, Taing L, Bodapati S, Sahu A, Tokheim C, Zhang Y, Zeng Z, Bai G, Tang M, Qiu X, Long HW, Michor F, Liu Y, Liu XS. Tutorial: integrative computational analysis of bulk RNA-sequencing data to characterize tumor immunity using RIMA. Nat Protoc. 2023 Jun 30. doi: 10.1038/s41596-023-00841-8. 

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. ​EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. ​EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC

12. 免疫信号通路关联的调控子数据库：ImmReg

13. 利用药物转录组图谱探索中药药理活性成分平台：ITCM

14. AgeAnno：人类衰老单细胞注释知识库

15. 细菌必需非编码RNA资源：DBEncRNA

16. 细胞标志物数据库：singleCellBase

17. ​实验验证型人类miRNA-mRNA互作数据库综述

18. 肿瘤免疫治疗基因表达资源：TIGER

19. 基因组、药物基因组和免疫基因组水平基因集癌症分析平台：GSCA

20. 首个全面的耐药性信息景观：DRESIS

21. 生物信息资源平台：bio.tools

22. 研究资源识别门户：RRID