TIDE 命令行界面和 python 模块

TIDE（Tumor Immune Dysfunction and E exclusion ）是一个计算框架，用于评估肿瘤免疫逃逸从癌症样本的基因表达谱中的潜力。这个包提供了一个 python 实现的 CLI，以及带有 Pandas 输入和输出的 python 模块。如果您更喜欢在线运行 TIDE，请使用我们网站上的模块：http: //tide.dfci.harvard.edu/。Response Prediction

系统要求

• Linux/Unix
• Python (>=3.4)

安装

• 从 github 克隆

$ git clone git@github.com:jingxinfu/TIDEpy.git
$ cd TIDEpy
$ pip install .

• 来自pypi，一个python包管理工具

$ pip install tidepy

输入数据格式是什么？

输入数据应该是所有患者的基因表达谱的方阵。每列代表患者 ID，每一行代表一个基因名称，它可以是符号名称（例如，TGFB1）或 Entrez ID（例如，7040）。请查看黑色素瘤中抗 PD1或抗 CTLA4疗法的一些样本。

详细地：

表达式文件

1. 如果可以的话，请按照说明输入一个规范化的表达式文件：

   • 基因表达值应针对对照样本进行标准化，对照样本可以是与癌症类型相关的正常组织，也可以是来自不同肿瘤样本的混合样本。RNA-seq 实验的 log2(RPKM+1) 值可能没有意义，除非有良好的参考控制可用于调整批次效应和癌症类型差异。在我们的研究中，我们使用每项研究中的所有样本平均值作为标准化控制。

   • 否则，我们将通过以下方式为您进行标准化：

     1. 做 log2(x+1) 变换
     2. 减去样本的平均值。

2. 如果可能，请根据您的注释 GTF 文件将您的基因标识符转换为 Entrez ID。否则，我们将使用我们的注解 GTF 进行转换，即 gencode v27。

癌症类型：

我们在几个黑色素瘤数据集和有限的非小细胞肺癌 (NSCLC) 数据集上验证了 TIDE 在预测抗 PD1 和抗 CTLA4 反应方面的性能。TIDE 可能不适用于除黑色素瘤和 NSCLC 以外的癌症类型（例如，胶质母细胞瘤或肾细胞癌）以及除抗 PD1 和抗 CTLA4 以外的疗法（例如，抗 PDL1 或 Car T）。

用法

通过命令行运行 TIDE：

usage: tidepy [-h] -o OUTPUT -c {Melanoma,NSCLC,Other} [--pretreat]
              [--ignore_norm] [--force_normalize] [--vthres VTHRES]
              expression

positional arguments:
  expression            Path to expression profile

optional arguments:
  -h, --help            show this help message and exit
  -o OUTPUT, --output OUTPUT
                        Output Path (default: None)
  -c {Melanoma,NSCLC,Other}, --cancer {Melanoma,NSCLC,Other}
                        Cancer Type (default: None)
  --pretreat            A previous immunotherapy (e.g., progressed after anti-
                        CTLA4 before current anti-PD1) will change the
                        response prediction rule. Please put the flag with
                        previous line of immunotherapy. However, earlier
                        treatments of targeted therapies or chemotherapies
                        should not be considered here, and please do not put
                        the flag. (default: False)
  --ignore_norm         Whether ignore the normalization step. (default:
                        False)
  --force_normalize     Whether force to do the normalization.[Require
                        ignore_norm to be FALSE] (default: False)
  --vthres VTHRES       Threshold to distinguish responder fron non-responder
                        based on TIDE value. (default: 0.0)

例子

请在我们的网站上下载响应预测模块下的第一个示例文件：http: //tide.dfci.harvard.edu。文件名应该是GSE78220.self_subtract.zip. 要获取本研究的免疫相关指标，您可以在终端上运行以下代码：

$ tidepy GSE78220.self_subtract.zip -o GSE78220.txt -c Melanoma

输出文件GSE78220.txt有这些列：No benefits, Responder, TIDE, IFNG, MSI Score, CD274, CD8, CTL.flag, Dysfunction, Exclusion, MDSC, CAF, TAM M2，与我们网站输出的结果完全相同.

$ head GSE78220.txt

	No benefits	Responder	TIDE	IFNG	MSI Score	CD274	CD8	CTL.flag	Dysfunction	Exclusion	MDSC	CAF	TAM M2
Pt10	True	False	2.9031378266316437	-2.3496942540874994	0.25805402238944347	-1.45699548307	-2.2538329160500004	False	-1.1904018820543425	2.9031378266316437	0.22023489119026698	0.2086109089536346	0.021521981442711974
Pt32	True	False	2.374656680742425	-1.251790579471	0.03317166493632983	-1.34396174667	-1.092551002026	False	0.7565819504165977	2.374656680742425	0.11720339003535449	0.23364173308834454	0.021349394169070356
Pt38	False	False	2.3272172094686367	1.421773451414	0.369744309404354	1.44922588993	1.67154054016	True	2.3272172094686367	-3.0384590803306617	-0.16135256818744914	-0.25075626440976084	-0.054974225801339455
Pt12	True	False	1.5872758043454305	-2.0323342892546665	0.42890701750431737	-1.0318990510700001	-2.235849307205	False	-0.37355955596879964	1.5872758043454305	0.1187563077904593	0.14157760370392405	-0.005648658414646455
Pt14	False	False	1.4617100514481065	0.08189238923924995	0.29446508349637074	2.7750512868299997	-1.004022775004	False	0.2613253541514945	1.4617100514481065	0.1495425400268765	0.09892114074144391	-0.032482034306099805
Pt20	False	False	1.2040301004408855	2.682862982916667	0.8176690141355004	1.33916228496	3.756670182795	True	1.2040301004408855	-3.374284072367413-0.24958308053873887	-0.1817896254985925	-0.08581630042676716
Pt1	False	False	1.0412494657529983	0.7254327628349333	0.536995843539227	-0.156163548496	0.15697680025049998	False	-0.48094961955303106	1.0412494657529983	-0.046094357732277734	0.1997680886231509	0.009852881373563268
Pt9	False	False	0.8010709440747635	0.2580580358761666	0.7296845983437736	-0.582410268962	0.5549609285135	False	-0.11682795201511606	0.80107094407476350.05633802108085521	0.040839374451276424	0.020610152865016378
Pt7	False	False	0.6718349276249306	-0.7193369628115166	0.44483998965603927	-0.8181523873759999	-0.8982304490069999	False	-0.6222713974526163	0.6718349276249306	0.0767865719035387	-0.01954210031741603	0.048268448437660275

在 python 控制台中运行 TIDE：

请在我们的网站上下载响应预测模块下的第一个示例文件：http: //tide.dfci.harvard.edu。文件名应该是GSE78220.self_subtract.zip. 要获取本研究的免疫相关指标，您可以在 python 控制台中运行以下代码：

import pandas as pd
from tidepy.pred import TIDE
df = pd.read_csv("GSE78220.self_subtract.zip",sep='\t',index_col=0)
result = TIDE(df,cancer='Melanoma',pretreat=False,vthres=0.)
result.head(2)
"""
No benefits	Responder	TIDE	IFNG	MSI Score	CD274	CD8	CTL.flag	Dysfunction	Exclusion	MDSC	CAF	TAM M2
Pt10	True	False	2.9031378266316437	-2.3496942540874994	0.25805402238944347	-1.45699548307	-2.2538329160500004	False	-1.1904018820543425	2.9031378266316437	0.22023489119026698	0.2086109089536346	0.021521981442711974
Pt32	True	False	2.374656680742425	-1.251790579471	0.03317166493632983	-1.34396174667	-1.092551002026	False	0.7565819504165977	2.374656680742425	0.11720339003535449	0.23364173308834454	0.021349394169070356
"""

引文

• Jingxin Fu, Karen Li, Wubing Zhang, Changxin Wan, Jing Zhang§, Peng Jiang§, Xiaole Shirley Liu§. “大规模公共数据重用以模拟免疫治疗反应和耐药性。” 基因组医学。2020 年 12 月；12(1):1-8。

• 姜鹏*、顾盛庆*、邓潘*、傅景新、Avinash Sahu、胡希浩、李子怡、妮可·特劳、夏布、李波、刘军、Gordon J. Freeman、Myles A. Brown、Kai W. Wucherpfennig §, X. 刘雪莉§. “T细胞功能障碍和排斥的特征预测癌症免疫治疗反应。” 自然医学。2018 年 10 月；24(10):1550-8。