estimate 算法計算腫瘤純度

0.腫瘤純度

Tumour purity is the proportion of cancer cells in the admixture. 出自https://www.nature.com/articles/ncomms9971#MOESM1235

最近在一篇文獻中看到了腫瘤純度，當作背景知識補充一下。

1.方法介紹

ESTIMATE算法，可以根據表達數據估計腫瘤樣本的基質分數(stromal score )和免疫分數(immune score)，用于代表基質和免疫細胞的存在。兩個分數相加即得到estimate score，可用于估計腫瘤純度。

該算法于2013年發表在NC上:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3826632/

2015年又有一篇NC:https://www.nature.com/articles/ncomms9971#MOESM1235。 用4種方法計算了TCGA樣本的腫瘤純度，其中就有ESTIMATE。

如果僅僅需要腫瘤純度，15年的這篇文章附件里有計算好的結果哦。我是為了學習根據普通轉錄組count如何計算出腫瘤純度。

2.問題

但作者的提供的幫助文檔里只有芯片數據計算方式，而未提到轉錄組數據如何處理。我探索了一下發現，是可以計算的，作者在estimate網站上也提供了部分TCGA project的計算結果。

3.搜索ing

一番搜索找到曾老板寫的帖子，可謂一站式找齊了：

關于算法：https://mp.weixin.qq.com/s/LiL_TZiJztUClz86a-aHWQ，介紹了算法的基本原理和方法。

關于R包的用法：https://mp.weixin.qq.com/s/JTD8ZmH2YYCIqcbs-97JzA，介紹了芯片數據如何得到三個score和腫瘤純度

轉錄組數據計算：https://mp.weixin.qq.com/s/UehaaJZgARryH7P25v9wNQ，介紹了轉錄組數據如何得到三個score和腫瘤純度

4.操練起來 

library(utils)
rforge <- "http://r-forge.r-project.org"
if(!require("estimate"))install.packages("estimate", repos=rforge, dependencies=TRUE)
library(estimate)
#help(package="estimate")

4.1 從count數據計算estimate score

找了TCGA的ACC count數據作為示例數據。如果你想要我的示例數據，請在生信星球公眾號后臺回復“est766”。?用自己的count數據也可以噢。?

load("exprSet.Rdata")
exprSet[1:3,1:3]

##         TCGA-OR-A5JP-01A TCGA-OR-A5JG-01A TCGA-OR-A5K1-01A
## MT-RNR2           810396          1190259          1206077
## MT-CO1            579888          1298037          1400198
## MT-ND4            623896           768059          1050890

這是曾老板寫的函數，轉錄組數據與芯片數據計算過程不同的地方是platform是illumina。

dat=log2(edgeR::cpm(exprSet)+1)
library(estimate)
estimate <- function(dat,pro){
  input.f=paste0(pro,'_estimate_input.txt')
  output.f=paste0(pro,'_estimate_gene.gct')
  output.ds=paste0(pro,'_estimate_score.gct')
  write.table(dat,file = input.f,sep = '\t',quote = F)
  library(estimate)
  filterCommonGenes(input.f=input.f,
                    output.f=output.f ,
                    id="GeneSymbol")
  estimateScore(input.ds = output.f,
                output.ds=output.ds,
                platform="illumina")   ## 注意platform
  scores=read.table(output.ds,skip = 2,header = T)
  rownames(scores)=scores[,1]
  scores=t(scores[,3:ncol(scores)])
  return(scores)
}
pro='ACC'
scores=estimate(dat,pro)

## [1] "Merged dataset includes 10221 genes (191 mismatched)."
## [1] "1 gene set: StromalSignature  overlap= 139"
## [1] "2 gene set: ImmuneSignature  overlap= 141"

head(scores)

##                  StromalScore ImmuneScore ESTIMATEScore
## TCGA.OR.A5JP.01A    -773.8226  -1143.9749    -1917.7975
## TCGA.OR.A5JG.01A    -878.7773   -685.5286    -1564.3059
## TCGA.OR.A5K1.01A    -663.8511   -360.2218    -1024.0729
## TCGA.OR.A5JR.01A    -931.0601   -344.3306    -1275.3907
## TCGA.OR.A5KU.01A    -925.6045  -1222.4672    -2148.0717
## TCGA.OR.A5L9.01A    -247.1255    404.5509      157.4254

4.2 發現輸出結果里沒有TumorPurity列

affy芯片輸出結果是有這一列的。

我對比了一下15年的那篇NC的方法部分，他們計算使用的是 level 3 RNA-seq profiles (RNAseqV2 normalized RSEM)數據，用estimate包計算了scores，用13年NC文章中的公式計算了腫瘤純度。

公式是：

Tumour purity=cos (0.6049872018+0.0001467884 × ESTIMATE score)

不要忘了R語言是個好計算器

TumorPurity = cos(0.6049872018+0.0001467884 * scores[,3])
head(TumorPurity)

## TCGA.OR.A5JP.01A TCGA.OR.A5JG.01A TCGA.OR.A5K1.01A TCGA.OR.A5JR.01A 
##        0.9481360        0.9303738        0.8984081        0.9139941 
## TCGA.OR.A5KU.01A TCGA.OR.A5L9.01A 
##        0.9583367        0.8091481

4.3 拿原文的rsem數據來計算

15年的文章給出了計算結果，我復現一下他的計算。RNAseqV2 normalized RSEM 數據不好找，我是從firehouse瀏覽器找到的，并進行了一些整理，讓它變成了規范的表達矩陣。

load("exprSet2.Rdata")
exprSet2[1:3,1:3]

##       TCGA-OR-A5J1-01A TCGA-OR-A5J2-01A TCGA-OR-A5J3-01A
## A1BG           16.3305           9.5987          20.7377
## A1CF            0.0000           0.0000           0.5925
## A2BP1          17.2911           5.6368           8.8876

dat2=log2(exprSet2+1)
scores2=estimate(dat2,pro)

## [1] "Merged dataset includes 10412 genes (0 mismatched)."
## [1] "1 gene set: StromalSignature  overlap= 141"
## [1] "2 gene set: ImmuneSignature  overlap= 141"

head(scores2)

##                  StromalScore ImmuneScore ESTIMATEScore
## TCGA.OR.A5J1.01A   -1161.6834  -524.37956    -1686.0629
## TCGA.OR.A5J2.01A    -569.1191  -765.96407    -1335.0831
## TCGA.OR.A5J3.01A   -1295.4628 -1070.18777    -2365.6506
## TCGA.OR.A5J5.01A   -1710.5108  -918.61256    -2629.1234
## TCGA.OR.A5J6.01A    -730.8294    64.28074     -666.5487
## TCGA.OR.A5J7.01A   -1191.5230 -1013.01517    -2204.5382

TumorPurity2 = cos(0.6049872018+0.0001467884 * scores2[,3])
head(TumorPurity2)

## TCGA.OR.A5J1.01A TCGA.OR.A5J2.01A TCGA.OR.A5J3.01A TCGA.OR.A5J5.01A 
##        0.9367771        0.9175140        0.9669692        0.9761016 
## TCGA.OR.A5J6.01A TCGA.OR.A5J7.01A 
##        0.8741344        0.9606713

我把這個計算結果與15年的NC做了比較，一毛不差，開心。

4.4 比較cpm和rsem結果

我把兩個數據處理得到的結果組成一個表格來比較一下：

TumorPurity2 = TumorPurity2[match(names(TumorPurity),names(TumorPurity2))]
compare = cbind(TumorPurity,TumorPurity2)
round(compare,4)[1:10,]

##                  TumorPurity TumorPurity2
## TCGA.OR.A5JP.01A      0.9481       0.9493
## TCGA.OR.A5JG.01A      0.9304       0.9344
## TCGA.OR.A5K1.01A      0.8984       0.9003
## TCGA.OR.A5JR.01A      0.9140       0.9133
## TCGA.OR.A5KU.01A      0.9583       0.9603
## TCGA.OR.A5L9.01A      0.8091       0.8106
## TCGA.OR.A5JQ.01A      0.8303       0.8306
## TCGA.OR.A5K4.01A      0.9829       0.9852
## TCGA.OR.A5JL.01A      0.9416       0.9434
## TCGA.OR.A5LS.01A      0.9748       0.9774

相差無幾咯。非常完美的結果。

5.一點爭議

illumina輸出結果不帶有Tumorpurity列，這是包自身的設置。

在biostars上面看到一個討論，有人認為estimate score 計算腫瘤純度的公式是根據Affymetrix的芯片數據得出的，是專門針對芯片數據使用，因此不可以用于轉錄組。建議只計算出estimate score，用這個分數來代替腫瘤純度的絕對數值用于后續分析。

原帖討論見：https://www.biostars.org/p/279853/

然而NC 15年就已經發了這篇文章，五年來沒人反對，可以認為人家做的是可用的，用就是了唄。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發布，文章內容僅代表作者本人觀點，簡書系信息發布平臺，僅提供信息存儲服務。

推薦閱讀更多精彩內容