在线免疫浸润量化：从入门到精通，肿瘤微环境分析必备

引言Introduction

肿瘤样本里到底有多少免疫细胞，哪些样本“热”，哪些样本“冷”，这是很多转录组研究的核心问题。如果只看差异基因，往往无法回答微环境层面的关键机制。 在线免疫浸润量化可以快速给出初步答案，帮助医学生、医生和科研人员做分层分析、机制解释和结果验证。

1. 为什么肿瘤研究离不开免疫浸润量化

1.1 肿瘤不是单一细胞群

肿瘤微环境由肿瘤细胞、T细胞、B细胞、巨噬细胞、树突细胞、成纤维细胞等共同构成。免疫细胞浸润水平，直接影响预后、疗效和耐药机制。 例如，CD8 T细胞、M1/M2巨噬细胞、树突细胞的变化，常常与免疫激活或免疫抑制状态相关。

在真实研究中，单看一个基因的表达上调或下调，并不足以解释生物学现象。把样本分成高浸润和低浸润两组后，再做生存分析、差异分析、通路分析，结论会更完整。

1.2 在线工具解决了什么痛点

传统免疫浸润分析往往需要本地环境、R语言和复杂参数。在线免疫浸润量化的优势是上手快、门槛低、适合快速验证假设。 研究者只要准备好表达矩阵，就能得到不同算法下的浸润分数。

它适合以下场景：

• 初筛候选基因与免疫浸润的相关性。
• 比较肿瘤组与对照组的免疫状态。
• 观察高低风险组、突变组、分子分型组的微环境差异。
• 为后续CIBERSORT、TIMER、xCell等分析提供参考。

1.3 结果解读必须回到生物学问题

免疫浸润不是“分数越高越好”。不同癌种、不同分层背景下，浸润升高可能意味着更强抗肿瘤反应，也可能提示炎症驱动或免疫抑制。解释结果时必须结合癌种、分组策略、临床结局和分析算法。

2. 在线免疫浸润量化的常用原理

2.1 常见算法的基本思路

在线平台本质上是在用表达谱推断样本中不同细胞的相对丰度。常见思路包括两类。

1. 基于标志基因集的评分法。
   例如ssGSEA、ESTIMATE、xCell。这类方法根据特定基因集合计算富集分数，得到免疫或基质相关评分。

2. 基于反卷积的估计法。
   例如CIBERSORT、quanTIseq、EPIC、MCP-counter。它们把混合样本视作多个细胞表达信号的叠加，估计不同细胞类型的组成比例。

前者更适合快速比较，后者更适合细胞组成定量。

2.2 ESTIMATE的典型应用

ESTIMATE全称是Estimation of STromal and Immune cells in MAlignant Tumours using Expression data。它使用基因表达数据预测恶性肿瘤组织中的间质细胞和免疫细胞含量。其核心输出包括Immune score、Stromal score和ESTIMATE score。

根据知识库内容，ESTIMATE score基于ssGSEA计算，之后可进一步推导肿瘤纯度。对于转录组研究，这类评分常用于：

• 判断样本免疫浸润强弱。
• 结合肿瘤纯度解释表达变化。
• 构建免疫相关分层模型。

2.3 TIMER2.0等在线平台的优势

TIMER2.0整合了多种算法，常见包括TIMER、CIBERSORT、quanTIseq、xCell、MCP-counter和EPIC。一个平台即可看到多算法结果，适合交叉验证。 这对科研写作很重要，因为单一算法的偏差较难排除。

例如，在同一批数据中，如果多个算法都提示CD8 T细胞下降，而M2巨噬细胞升高，那么结论可信度会更高。

3. 在线分析前，数据要怎么准备

3.1 最基础的输入文件

多数在线工具要求输入表达矩阵。常见格式是：

• 行为基因。
• 列为样本。
• 数值为表达量。

部分平台支持csv、txt、xlsx格式。上传前要确保基因名统一，样本名清晰，矩阵无多余注释行。

3.2 常见数据注意事项

做在线免疫浸润量化前，建议先检查下面几点：

• 基因命名是否统一为Gene Symbol或Entrez ID。
• 是否存在大量缺失值。
• 是否为标准化后的表达矩阵。
• 是否混入重复基因或重复样本。
• 是否符合平台要求的物种类型，人或小鼠不能混用。

如果是RNA-seq数据，通常需要先完成适当标准化。不同平台对原始count、TPM、FPKM的容忍度不完全一致，上传前务必先看说明文档。

3.3 分组信息的重要性

如果想比较高低表达组、高低风险组或不同临床亚组，除了表达矩阵，还要准备分组信息。分组文件应清楚对应每个样本。分组定义越明确，后续统计检验越可靠。

4. 在线免疫浸润量化的标准分析流程

4.1 第一步，上传数据并选择物种

在TIMER2.0这类平台中，通常先选择分析模块，例如Immune Estimation。然后上传表达矩阵，选择Human或Mouse，再指定肿瘤类型。物种和肿瘤类型选错，会直接影响结果可靠性。

4.2 第二步，运行并读取结果

运行后，平台通常输出表格、柱状图或饼图。结果一般包括：

• 样本ID。
• 不同免疫细胞类型。
• 免疫细胞浸润水平。
• 不同算法下的定量结果。

这一步的重点不是“看图好不好看”，而是判断样本间是否存在稳定差异。如果一个样本在多个算法中都显示免疫浸润偏高，说明信号更稳。

4.3 第三步，做组间比较

在线结果常被用于比较两组或多组样本。常用统计方法是Wilcoxon检验。研究中经常见到如下问题：

• TMB high和TMB low哪组免疫更活跃。
• 高表达组是否伴随CD8 T细胞下降。
• 某基因异常是否对应免疫抑制表型。

统计学显著不等于生物学因果。 结果仍需结合机制、文献和独立验证。

5. 结果应该怎么解读，才符合科研规范

5.1 柱状图和饼图看什么

柱状图适合看不同样本的细胞组成。饼图适合看单个样本中各细胞比例。但这两类图更多是展示，不一定直接给出显著性。 真正需要关注的是算法间一致性和分组差异。

如果某组中CD8 T细胞、CD4记忆静息T细胞、M1/M2巨噬细胞、树突静息细胞明显下降，通常提示免疫功能可能受抑制。这个模式在多种肿瘤研究中都具有参考价值。

5.2 评分和比例不是一回事

ESTIMATE给的是评分，CIBERSORT更接近细胞比例。评分高不代表某一种细胞绝对更多，只能说明相关特征更强。 这点在写论文时必须说明清楚，否则容易混淆概念。

5.3 与下游分析如何衔接

在线免疫浸润量化不是终点，而是起点。常见下游分析包括：

• 免疫浸润与生存分析。
• 免疫浸润与突变负荷分析。
• 免疫浸润与关键基因相关性分析。
• 免疫浸润与通路富集分析。

只有把浸润结果放进完整分析链条中，才能形成可发表的机制闭环。

6. 从入门到精通，建议你这样用在线工具

6.1 入门阶段先做交叉验证

初学者不要只用一个算法。建议先用2到3种平台交叉验证。例如先看ESTIMATE总评分，再用TIMER2.0查看具体细胞类型。一致的趋势，比单次结果更有说服力。

6.2 进阶阶段要关注样本分层

如果研究对象是肿瘤队列，建议按分子分型、风险评分、临床分期分层。不同亚组的微环境差异往往比全队列平均值更有信息量。

6.3 精通阶段要把结果转化为机制假设

成熟的分析不止输出一张图。它应该回答：

• 哪类免疫细胞变化最稳定。
• 变化是否与预后相关。
• 是否与某条免疫通路一致。
• 是否能解释药物反应差异。

这一步决定了你的结果是“展示”还是“发现”。

7. 为什么很多团队会结合解螺旋做后续分析

在线免疫浸润量化能快速出结果，但真正的科研工作往往还需要代码复现、图形美化、结果整合和标准化报告。如果数据多、分组复杂、下游分析链条长，单靠平台操作很难保证效率和一致性。

这时可以借助解螺旋的生信分析支持，把在线结果与本地分析衔接起来，进一步完成：

• 免疫浸润评分整理。
• 分组差异检验。
• 可视化图表输出。
• 结果解释与论文图稿优化。

对于需要高质量出图、快速迭代、规范化流程的团队，解螺旋可以帮助你把“在线初筛”变成“可发表结果”。

总结Conclusion

在线免疫浸润量化，是肿瘤微环境分析中最实用的入门工具之一。它能帮助研究者快速识别免疫冷热差异，连接表达矩阵、细胞浸润和临床表型。真正高质量的分析，不是只看一个分数，而是把算法、分组、统计和机制解释串起来。 如果你希望把在线结果进一步做深、做稳、做成论文级结论，可以结合解螺旋完成后续分析与可视化。