TCGA泛癌TMB计算详解：一步一步带你掌握！

了解 TCGA 泛癌 TMB：癌症研究和精准医疗的关键指标

什么是 TMB？

肿瘤突变负荷 (TMB) 是衡量肿瘤突变程度的关键指标。它反映了一个肿瘤细胞中发现的非同义突变数量，这些突变会改变蛋白质编码。TMB 在癌症研究和精准医疗中至关重要，因为它提供了有关肿瘤的遗传不稳定性和免疫应答潜力的见解。

TCGA 数据

TCGA（癌症基因组图谱）是一个大型数据库，包含了数千个癌症样本的分子数据。它是一个宝贵的资源，可用于计算 TMB 和其他基因组特征。

TCGA 泛癌 TMB 计算

计算 TCGA 泛癌 TMB 是一个多步骤过程，包括：

• 下载 TCGA 数据： 从 TCGA 数据门户网站下载表达矩阵 (RNA-Seq) 数据。
• 变异注释： 使用注释工具将变异文件注释为基因。
• 同义/非同义变异过滤： 仅保留非同义变异（即导致氨基酸变化的变异）。
• 变异频率过滤： 过滤掉变异频率低于给定阈值的变异。
• 基因黑名单过滤： 过滤掉与 TMB 无关的已知驱动基因或基因。
• TMB 计算： 计算每个肿瘤样本中非同义变异的数量并标准化为 TMB 值。

代码示例

以下 R 语言代码示例演示了如何计算 TCGA 泛癌 TMB：

# 加载必需的包
library(maftools)
library(tidyverse)

# 读取变异文件
maf <- read.maf("path/to/maf_file.maf")

# 注释变异
maf <- annotate.maf(maf, path/to/annotation_file.hg19.maf)

# 过滤同义/非同义变异
maf <- filter(maf, Variant_Classification %in% c("Missense_Mutation", "Nonsense_Mutation", "Frame_Shift_Del", "Frame_Shift_Ins", "In_Frame_Del", "In_Frame_Ins"))

# 过滤变异频率
maf <- filter(maf, Allele_Freq > 0.05)

# 过滤基因黑名单
blacklist <- c("TP53", "CTNNB1", "KRAS")
maf <- filter(maf, !Gene %in% blacklist)

# 计算 TMB
maf_summary <- maf %>%
  group_by(Tumor_Sample_Barcode) %>%
  summarise(TMB = sum(is_non_silent))

应用

TMB 在癌症研究和精准医疗中具有广泛的应用，包括：

• 癌症预后： 高 TMB 与较差的预后相关。
• 免疫治疗： TMB 是免疫治疗反应的一个重要预测因子，高 TMB 患者通常对免疫治疗更敏感。
• 靶向治疗： TMB 可用于识别可能对特定靶向治疗敏感的患者。

常见问题解答

• 如何解释 TMB 值？ TMB 值越高，表明肿瘤的突变程度越高。一般来说，TMB 较高的肿瘤被认为是高度突变的，而 TMB 较低的肿瘤被认为是低突变的。
• 哪些因素会影响 TMB？ TMB 受多种因素影响，包括癌症类型、治疗史和环境因素。
• TMB 的临床意义是什么？ TMB 已被证明是癌症患者预后的重要预测因子。它还可用于指导免疫治疗和靶向治疗的决策。
• TCGA 数据的局限性是什么？ TCGA 数据仅代表一小部分癌症患者，并且可能不适用于所有癌症类型。
• TMB 计算的未来方向是什么？ 正在研究新的方法来计算 TMB 并提高其准确性。此外，正在探索 TMB 在其他疾病中的应用。

结论

TCGA 泛癌 TMB 是癌症研究和精准医疗中一个有价值的指标。通过理解 TMB 的计算方法和临床意义，我们可以更好地了解癌症的分子基础并为患者制定更个性化的治疗计划。