低分文章詳解免疫浸潤分析套路
動脈粥樣硬化是一種系統性疾病，與炎癥細胞浸潤和免疫相關途徑的激活有關。本文旨在揭示與免疫相關的變化，并探索頸動脈粥樣硬化斑塊形成過程中的新型免疫學特征。
首先，我們應用了集成的生物信息學方法，包括CIBERSORT和基因集富集分析（GSEA）。基因表達矩陣GSE28829，GSE41571和GSE43292是從基因表達綜合（GEO）數據集獲得的。經過一系列數據預處理步驟后，使用CIBERSORT，GSEA和Cluster Profiler軟件包對所得的組合表達矩陣進行了分析。在對早期和晚期頸動脈粥樣硬化斑塊進行比較和分析后，我們發現，在晚期斑塊中活化記憶CD4 T細胞的百分比較高，而靜息記憶CD4細胞的百分比較低。此外，記憶CD4 T細胞的激活可以促進頸動脈粥樣硬化斑塊的發展。另外，FOXP3tTreg細胞成熟也可以參與頸動脈斑塊的進展。
1. 下載GEO數據（https://www.ncbi.nlm.nih.gov/geo/）并進行預處理
下載數據集GSE28829，GSE41571和GSE43292，使用Perl腳本和R軟件的sva軟件包進行原始數據的合并和預處理。然后，使用Perl腳本將每個基因的探針ID轉換為基因名。
2. CIBERSORT分析免疫浸潤
CIBERSORT的LM22基因文件用于定義22個免疫細胞亞群，這些數據可從CIBERSORT網站（http://CIBERSORT.stanford.edu/）進行下載。使用CIBERSORT對表達文件的P值和均方根誤差進行計數，獲得免疫細胞收據，使用R包，corplot，vioplot和ggplot2進行結果的可視化。
3. 免疫浸潤細胞分析
對斑塊中浸潤的免疫細胞進行了相關分析，結果表明活化的肥大細胞和TFH細胞顯示出協同的作用。 同時，CD8 T細胞和M0巨噬細胞顯示出最強的競爭作用。
對免疫浸潤細胞進行PCA分析，結果表明，免疫浸潤可以區分晚期斑塊和早期斑塊。
4. GSEA分析
將所有表達數據分為早期和晚期斑塊組，然后進行GSEA分析。結果顯示與免疫細胞和免疫相關功能高度相關
5. 差異表達分析
使用R軟件limma包分析早起、晚期斑快差異基因（log 2 (fold change)>1 ，adjusted p value < .05），pheatmap包進行結果喲可視化。
6. 差異基因GO、Pathway富集分析
使用Cluster Profiler包對差異進進行GO、Pathway分析。使用ggplot2包進行結果可視化。
