2022/3/28 14:34:15 阅读：374 发布者：chichi77
小伙伴们大家好，在肿瘤免疫分析十分火热的当下，灵活的运用相关数据库可以让我们的研究便捷许多。
今天小编给大家介绍的数据库是CAMOIP (http://www.camoip.net/)。CAMOIP提供用户对免疫治疗预后的生物标志物(如基因突变或基因表达：预后分析)的筛选和后续分子机制的探索 (如①表达分析，②基因突变全景分析，③免疫原性分析-TMB，免疫原性分析-NAL，免疫原性分析-MANTIS score，④免疫浸润分析-免疫细胞，免疫浸润分析-免疫基因，免疫浸润分析-免疫分数，⑤通路富集分析-GSEA，通路富集分析-ssGSEA)。此外，用户还可以通过使用CAMOIP对来自TCGA数据库中的所有癌症类型患者进行上述类似的分析。
1.数据介绍
CAMOIP集成了2种类型的数据：
1)、具有免疫治疗的肿瘤患者队列（必须具有免疫治疗预后数据，如OS或PFS）的突变数据，表达数据的数据集。
2)、来自癌症基因组图谱 (TCGA) 的 33 种癌症类型的突变数据，表达数据和临床数据。
2.数据库的使用
Survival Analysis
1、Kaplan-Meier
☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
2、Cox-Regression
☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
Expression Analysis
1. Boxplot
☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在某基因突变状态(MT, WT)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在基因表达状态(High-Expression, Low-Expression)的差异。
2. Table
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下所有基因表达量的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下所有基因表达量的差异。
Mutational Landscape Analysis
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。
Immunogenicity Analysis
1. Tumor Mutation Burden (TMB)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下TMB的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下TMB的差异。
2、Neoantigen Loads (NAL)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下NAL的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下NAL的差异。
3、MANTIS Score
☑在TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下MANTIS Score的差异。
☑在TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下MANTIS Score的差异。
Immune Infiltration Analysis
1、Immune Cells
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。
2、Immune Genes
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4+调节T细胞相关基因；⑤CD8+ T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4+调节T细胞相关基因；⑤CD8+ T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。
3、Immune Scores
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关分数的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关分数的差异。
Pathway Enrichment Analysis
1、Gene Set Enrichment Analysis (GSEA)
☑在ICI-cohort或TCGA-cohort中：
[在Step1]用户根据某基因突变状态(MT, WT)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。
[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。
☑在ICI-cohort或TCGA-cohort中：
[在Step1]用户根据某基因表达状态(High-Expression, Low-Expression)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。
[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。
2、Gene Set Enrichment Analysis (GSEA)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下通路分数(由ssGSEA算法评估得到)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下通路分数(由ssGSEA算法评估得到)的差异。
DATA
在DATA界面，包括了CAMOIP 1.1中所用到的ICI-cohort和TCGA-cohort的参考文献。用户可以通过点击Dataset列中的超链接，进一步可以跳转到对应数据集的界面。
Docs
1. About
在这个界面中，主要包括了一些关于CAMOIP的介绍。
2. FAQ
在这个界面中，主要包括了一些关于CAMOIP的常见问题和对应的回复。
How to Cite CAMOIP
Journal: Briefings in Bioinformatics
DOI: 10.1093/bib/bbac129
Title: CAMOIP: A Web Server for Comprehensive Analysis on Multi-Omics of Immunotherapy in Pan-cancer
3.小编总结
在使用上来看，CAMOIP数据库的十分简单，只需要输入我们感兴趣的基因名，剩下的进行点击选择就可以了，并且数据库整合了多组学的数据，我们可以根据我们关注的内容灵活的进行选择！
如有侵权，请联系本站删除！
