844. 免疫组学前沿¶
一句话概述：免疫组学 = 用组学技术（TCR/BCR测序、单细胞、空间组学）系统研究免疫系统，是肿瘤免疫治疗和疫苗开发的生信基础。
核心知识点速查表¶
| 技术 | 测量内容 | 核心工具 |
|---|---|---|
| TCR-seq | T细胞受体多样性 | MiXCR, TRUST4, immunarch |
| BCR-seq | B细胞受体/抗体库 | MiXCR, IgBLAST, Change-O |
| CITE-seq | 转录组+免疫表面标记 | Scanpy, Seurat |
| 免疫浸润分析 | 肿瘤微环境免疫细胞 | CIBERSORTx, TIMER2.0 |
| 新抗原预测 | 肿瘤特异性抗原 | NetMHCpan, pVACtools |
| 空间免疫 | 免疫细胞空间分布 | Squidpy, CODEX |
一、TCR/BCR多样性分析¶
# MiXCR —— 免疫组库分析工具
# 全流程运行
mixcr analyze shotgun \ # 分析模式
--species hsa \ # 人类
--starting-material rna \ # RNA起始材料
sample_R1.fastq.gz \ # 输入R1
sample_R2.fastq.gz \ # 输入R2
output_prefix # 输出前缀
# 输出包含：
# - 克隆型列表（每个TCR/BCR序列及其频率）
# - V/D/J基因使用统计
# - CDR3序列多样性指标
# immunarch —— R中的免疫组库分析
library(immunarch) # 加载immunarch包
# 读取MiXCR输出
immdata <- repLoad("mixcr_output/") # 加载免疫组库数据
# 克隆多样性分析
div <- repDiversity(immdata$data, # 多样性分析
.method = "chao1") # Chao1估计
vis(div) # 可视化
# 克隆重叠分析
ov <- repOverlap(immdata$data, # 样本间重叠
.method = "morisita") # Morisita指数
vis(ov) # 热图可视化
# V基因使用频率
gu <- geneUsage(immdata$data) # V基因使用
vis(gu) # 可视化
二、免疫浸润分析¶
# CIBERSORTx —— 从bulk RNA-seq推断免疫细胞组成
# 在线工具：https://cibersortx.stanford.edu/
# 输入：基因表达矩阵（TPM/FPKM）
# 输出：22种免疫细胞的比例估计
# R中使用ESTIMATE + MCPcounter
library(MCPcounter) # 加载MCPcounter
# 从表达矩阵估计免疫细胞丰度
scores <- MCPcounter.estimate( # 估计免疫细胞
expression_matrix, # 基因表达矩阵
featuresType = "HUGO_symbols" # 基因名类型
)
# 输出10种免疫细胞/基质细胞的丰度评分
三、新抗原预测¶
# 新抗原(Neoantigen)预测流程
# 肿瘤突变 → 产生新的肽段 → 被MHC呈递 → T细胞识别
# 步骤1：体细胞变异检测（参见精准医学章节）
# 步骤2：HLA分型
optitype -i sample_R1.fq.gz \ # OptiType HLA分型
sample_R2.fq.gz \
--dna \ # DNA数据
-o hla_results/
# 步骤3：新抗原预测
# pVACtools —— 新抗原预测工具包
pvacseq run \
somatic.vcf \ # 体细胞变异VCF
sample_name \ # 样本名
"HLA-A*02:01,HLA-B*07:02" \ # HLA类型
NetMHCpan \ # 结合预测算法
output_dir # 输出目录
# 输出：每个变异产生的候选新抗原肽段及其MHC结合亲和力
四、面试高频问题¶
Q: 什么是免疫组库？ A: 一个个体在某一时刻所有T/B细胞受体的集合。通过测序可以了解免疫多样性、克隆扩增、免疫应答状态。
Q: CIBERSORTx是做什么的？ A: 从bulk RNA-seq数据中反卷积推断组织中22种免疫细胞的比例组成，不需要单细胞测序就能估计免疫浸润情况。
Q: 新抗原预测的基本原理？ A: 肿瘤体细胞突变→产生突变蛋白→蛋白被切割成肽段→MHC分子呈递→T细胞识别。预测核心是计算突变肽段与患者HLA分子的结合亲和力。