企业官网建设流程全解析

做肿瘤免疫或者生信的人，十有八九都会被问到免疫浸润。每次组学数据拿到手，审稿人一句“请补充免疫微环境分析”，就能让不少人开始在Cibersort、ssGSEA、ESTIMATE之间反复横跳。如果你只是想快速出一张堆叠条形图，又想保证结果能被领域认可，Cibersort依然是目前最常用、也最容易被问到细节的工具之一。

这篇教程写给那些刚接触免疫浸润分析、或者已经跑通流程但对参数和结果含义半懂不懂的朋友。我会从Cibersort的数学逻辑开始讲，再逐步拆解数据怎么准备、网页版和R版怎么跑、结果怎么解读、图怎么画、报错怎么修。全程经验导向，尽量把踩过的坑和判断标准放在前面。

1. 免疫浸润分析的整体思路与Cibersort选型逻辑

1.1 解决什么问题

Bulk转录组测序或者表达芯片测到的信号，是所有细胞表达量的混合平均值。肿瘤组织里不只有肿瘤细胞，还有T细胞、B细胞、巨噬细胞、NK细胞、中性粒细胞、树突状细胞等多种免疫细胞。我们想知道这些细胞各占多少比例，就需要一种思路：从混合物中反推出各个组成部分的占比。免疫浸润分析的核心就是解决这个“成分推断”问题。

Cibersort做的事情，就是利用一组已知的免疫细胞表达特征（LM22），通过支持向量回归反卷积算法，把样本的混合表达量分解成22种免疫细胞亚群的相对比例。它不是绝对定量，而是相对丰度，所以各组样本间比较时看的是“比例变化”而非“绝对数量变化”。

1.2 为什么优先选Cibersort而不是其他算法

我经常被人问：现在有那么多免疫浸润算法，为什么还在用Cibersort？说实话，它并不是完美的，但它有几个很难替代的优点。

第一，它不需要用户自己提供每个细胞类型的标记基因列表。很多算法比如ssGSEA或者MCPcounter，需要你指定基因集，选基因集的过程会引入主观偏差。Cibersort只用固定的LM22特征矩阵，虽然灵活性差，但好处是结果可复现、可比性高。你在不同数据集之间比较时，用的是同一套标准。

第二，它有统计检验支撑。Cibersort会通过置换检验输出每个样本的p值、相关性（correlation）和均方根误差（RMSE），这让你能判断这个样本的反卷积结果是否可信。很多无监督算法根本不给这个置信度评估，审稿人问起来很难自圆其说。

第三，Cibersort的SVR算法对噪声的容忍度相对较高。反卷积问题在数学上是病态的，最小二乘法容易被异常值带偏，而支持向量回归通过设定epsilon不敏感带和正则化，对个别基因的异常表达没那么敏感。实测下来，在芯片数据和测序数据上，Cibersort的稳定性确实比普通线性回归好一些。

当然，Cibersort也有明显短板。LM22的特征矩阵是2015年基于纯化细胞亚群转录组构建的，主要覆盖先天和适应性免疫细胞，没有包含基质细胞、内皮细胞等其他微环境成分，也没有更新的细胞亚群比如Treg细分或者组织驻留记忆T细胞。所以如果你的研究非常关注某个小众亚群，可能需要辅助其他算法来交叉验证，而不是单靠Cibersort。

1.3 适用场景与不适合的场景

Cibersort适合的场景：

• 有bulk RNA-seq表达矩阵或芯片表达矩阵，想快速评估样本间免疫细胞构成的差异；
• 想比较两组治疗前后、突变组和野生型之间免疫细胞比例的变化；
• 想结合临床生存数据，看某类免疫细胞浸润高低是否影响预后。

不适合的场景：

• 单细胞测序数据，那是另外一套逻辑，直接用Seurat就行；
• 需要绝对定量而非相对比例的场景，Cibersort输出的是相对占比；
• 样本量很小且表达矩阵质量差的情况，因为反卷积非常依赖输入数据质量。

2. 数据准备与输入格式要求

2.1 表达矩阵格式

Cibersort的输入是一份标准的基因表达矩阵，行是基因，列是样本。基因名必须是HGNC官方symbol格式，比如TP53、CD8A，不是Ensembl ID、Entrez ID，也不是版本号带小数点的比如TP53.1。这一点经常有人搞错，上传之后解析为零匹配，问题就出在这。

表达矩阵建议用非负的连续值。芯片数据用RMA标准化之后取表达量即可，测序数据建议用TPM或者FPKM，不要用原始count数。Cibersort底层的LM22也是基于微阵列数据的表达特征构建的，虽然近期已经支持RNA-seq输入，但TMM、TPM这类长度归一化后的数据更接近芯片表达谱的分布特征。实测下来，count数据直接跑会在基因表达波动大的样本上产生很大的RMSE，p值往往不好看。

如果你手里只有count矩阵，建议先用DESeq2的varianceStabilizingTransformation或者edgeR的cpm函数做转换。但注意，不建议用log2(count+1)直接跑，因为小计数基因取对数会放大噪声，反卷积结果稳定性差。

2.2 基因名标准化

做基因名标准化，我一般用clusterProfiler的bitr函数，把Ensembl ID或Entrez ID转成SYMBOL。整个过程说复杂也复杂，说简单也就几步：

library(clusterProfiler) library(org.Hs.eg.db) bitr(rownames(expr_matrix), fromType = "ENSEMBL", toType = "SYMBOL", OrgDb = org.Hs.eg.db)

转换完以后，一个基因可能对应多个探针或者多个Ensembl ID，需要去重。建议保留表达量均值最大的那个，或者直接按表达量排序取每一基因的第一条记录。千万别简单地对重复基因取平均，效果在低表达基因上会很难看。

另外还有大小写问题。LM22矩阵中基因名全部是大写开头，HGNC标准也是首字母大写，所以最好对你的表达矩阵基因名做统一格式化。一个简单办法是使用toupper()全转大写，但全大写会丢掉部分基因名的可读性，如果原始数据本来就是小写，转大写后和LM22匹配也没问题。不过要注意某些基因全转大写后会重复，比如MARCH1和March1实际是同一个基因，需要再次去重。

2.3 样本量要求

这里想强调一个容易被忽视的点。Cibersort网页版运行虽然不限制样本量，但反卷积结果的可靠性跟样本量有直接关系。

每个样本都会输出一个p值，本质上是置换检验的结果。如果样本量太小（少于3个），后续组间差异检验几乎没有统计效力，审稿人很容易打回来。我一般建议，如果你的分组每组至少要有5个样本以上，整体样本量最好超过20例，不然即使在Cibersort里跑出来很好的结果，到后面关联分析、生存分析阶段还是会捉襟见肘。

另外，样本之间如果存在明显的批次效应，比如一部分样本来自测序平台A、一部分来自平台B，建议先做批次校正再输入Cibersort。用sva包的ComBat_seq或者limma的removeBatchEffect都可以，但要注意：如果你准备后续做差异分析，批次校正要在表达量层面做，不要在标准化后的数据上反复倒腾。

3. Cibersort运行实操：网页版与R版完整流程

3.1 网页版运行步骤

网页版Cibersort上手门槛很低，适合快速跑一两个数据集验证结论。

步骤分三步：

1. 在Cibersort官网注册账号，提交请求后通常1-3天会收到激活邮件。注册时需要填写实验室和单位信息，一般用机构邮箱更容易通过审核。
2. 登录后，进入“Upload”页面，上传你的表达矩阵文件。文件格式是纯文本txt，制表符分隔，第一列为基因名，第一行为样本名。
3. 在“Run Cibersort”页面选择LM22作为特征矩阵，设置置换检验次数（permutations），一般建议设置1000次，然后提交运行。

运行结束后，会下载一个结果文件。网页版会在结果表中自动加入所有样本的相对比例、p值、相关性、RMSE等列。需要注意，网页版输出默认对每个样本将所有免疫细胞比例求和至1，所以得到的值是相对百分比。

3.2 R版本地运行

网页版虽然方便，但如果你有几十上百个样本，反复上传下载很痛苦，而且网页版有的情况下并不能保留参数细节。我更推荐在本地R环境跑，前提是你拿到了Cibersort.R函数脚本和LM22.txt矩阵。这两个文件在官网注册后可以下载，不公开发在GitHub上，所以不要试图用网上流传的旧版替代，版本不一致会直接影响结果。

跑之前先加载函数：

source("CIBERSORT.R")

然后运行：

result <- CIBERSORT("LM22.txt", "your_expression_matrix.txt", perm = 1000, QN = TRUE)

参数解释一下：

• perm = 1000：置换检验次数，影响p值精度，1000次是建议值，再高计算量翻倍但提升有限；
• QN = TRUE：是否启用分位数标准化。如果输入数据是芯片，建议TRUE；如果是RNA-seq的TPM，建议先试试TRUE和FALSE的结果差异。分位数标准化会强制样本数据分布一致，能消除部分技术差异，但如果样本之间存在真实的整体表达差异，QN可能会过度校正，把真实信号抹掉。CTRL和疾病组样本数差异很大时，QN=TRUE经常会让所有样本的比例分布趋同，导致组间差异不显著，这种情况建议改用QN=FALSE。

R版输出的结果是一个矩阵：

• 列名就是22种免疫细胞（如B cells naive、T cells CD8、Macrophages M0等）
• 还有三列指标：P-value、Correlation、RMSE
• 行名是样本名

3.3 Permutation值怎么理解

置换检验的逻辑是这样的：随机打乱样本中的基因表达标签，重新计算反卷积，重复N次，得到一个零分布。然后看你真实计算结果在这个零分布中的位置，计算p值。p值表示“随机情况下得到这么大相关性的概率”。

实际操作中，p值大于0.05并不一定意味着结果不可用，更准确的理解是“该样本反卷积结果的置信度有限”。我见过很多人的样本p值在0.1左右，但还是给出了很明显的组间差异，这时候如何处理就要看审稿人心态了。稳妥起见，通常我们会在分析时加一个过滤步骤，筛掉p值大于0.05的样本，再跑下游分析。有些谨慎的课题组会使用p<0.01作为筛选阈值，前提是样本量足够。

我的做法是：先看整体样本p值分布，如果大多数样本p值低于0.05，就保留全部样本，但在方法部分写明基于置换检验结果；如果有一部分样本p值很高、Correlation很低、RMSE也高，建议直接剔除，并且在补充材料里列明剔除样本清单。审稿人看到你有这样的质控意识，印象分会好很多。

3.4 标准化参数详解

CIBERSORT函数里还有一个容易忽略的参数，是absolute。默认absolute = FALSE，返回的是相对比例。如果你打开absolute = TRUE，会额外输出一组绝对丰度分数，用absolute score表示。这个分数试图通过每个样本的总RNA含量来估计免疫细胞的绝对丰度，但在bulk转录组中，没有细胞总数信息，所以“绝对”也仅限于算法逻辑内的相对估计。

实际上，日常分析中用相对比例足够。如果你要做多组间比较，相对比例差异已经能反映趋势；但如果你想分析“某种免疫细胞丰度的绝对值与另一指标的相关性”，建议同时看相对比例和absolute score两组结果，如果趋势一致，说明结论稳健；如果趋势相反，就得小心是由总细胞组成变化造成的假象。

4. Cibersort结果解读与可视化绘图

4.1 结果表怎么看

跑完之后，第一件事不是画图，而是检查结果质量。我看结果表的习惯是：

1. 先看P-value列有没有异常大的样本，一般大于0.05的建议标记出来；
2. 再看Correlation列，这个值是LM22参考表达谱和样本表达谱的相关系数，正常样本应该在0.7以上；
3. 然后看RMSE，越大说明反卷积拟合越差，一般小于0.2算比较理想；
4. 最后看所有样本各细胞类型的比例总和是否接近1，如果差距较大，说明输入数据标准化有问题。

这四项指标合起来，基本能判断这个样本的反卷积结果是否可信。我见过有人完全不看这些，直接画单细胞亚群箱线图，结果所有p值都在0.4以上，审稿人一眼就看穿。

4.2 堆叠条形图展示样本免疫细胞构成

最常见的可视化是堆叠条形图，展示每个样本中各免疫细胞的比例。R里用ggplot2很快画出来：

library(ggplot2) library(reshape2) mydata <- result[, 1:22] mydata$sample <- rownames(mydata) mydata_long <- melt(mydata, id.vars = "sample") ggplot(mydata_long, aes(x = sample, y = value, fill = variable)) + geom_bar(stat = "identity", width = 0.8) + labs(y = "Relative Percentage", x = "") + theme_bw(base_size = 12) + theme(axis.text.x = element_text(angle = 90, hjust = 1, vjust = 0.5))

堆叠图适合看整体构成，但缺点是当样本量很大（超过50）时横轴很拥挤。如果样本量太大，建议按分组分面展示，或者随机抽部分样本出来作为代表展示，然后在补充材料里放全量图。

4.3 分组比较与箱线图

比堆叠图更有统计意义的是分组箱线图。这一步通常回答“我们关注的几类免疫细胞在两组之间有没有显著差异”。

思路是先筛选目标细胞类型，再按分组做wilcoxon秩和检验：

# 筛选要展示的细胞类型 subset_cell <- mydata[, c("T cells CD8", "Macrophages M0", "Macrophages M1", "Macrophages M2")] # 合并分组信息 # group是一个向量，表示每个样本所在分组 plot_df <- data.frame(cell_type = rep(colnames(subset_cell), each = nrow(subset_cell)), value = unlist(subset_cell), group = rep(group, ncol(subset_cell))) # 进行Wilcox检验并添加p值 library(ggpubr) p <- ggboxplot(plot_df, x = "cell_type", y = "value", fill = "group", palette = c("#E64B35", "#4DBBD5")) + stat_compare_means(aes(group = group), label = "p.format", method = "wilcox.test")

这里有几个细节值得多说一句。免疫细胞比例数据是非负且和为定值的，本质上是成分数据，直接用t检验不太合适。Wilcoxon秩和检验是稳妥选择，如果审稿人追问，再补一个调整p值的方法说明。多组比较时，推荐用Kruskal-Wallis检验加Dunn校正。

另外，T cells CD8这种带空格的细胞名在R里作为变量名很别扭，操作时建议先统一替换：

colnames(mydata) <- gsub(" ", "_", colnames(mydata))

我每次拿到结果都会做这一步，省得后面一直加反引号。

4.4 相关性热图

除了比较组间差异，很多研究会关心免疫细胞之间的相关性。比如M0巨噬细胞和M1、M2的转换关系，或者CD8 T细胞和Treg细胞之间可能存在的拮抗关系。这种时候画一个细胞-细胞相关性热图非常直观：

library(corrplot) cor_matrix <- cor(mydata[, 1:22], method = "spearman") corrplot(cor_matrix, method = "color", type = "upper", tl.cex = 0.6, tl.col = "black", number.cex = 0.5, addCoef.col = "grey50", col = COL2("RdBu", 200))

相关性矩阵的解读要谨慎。成分数据自带负偏倚，因为总比例固定为1，一种细胞比例上升其他细胞势必下降，所以负相关可能是数学约束导致的，未必代表真实的生物学负调控。如果要在文章中下结论说“某两种细胞负相关”，建议结合共定位或者配体受体分析来佐证。

4.5 生存分析关联

如果你的数据有临床随访时间，可以做免疫细胞比例高低与预后的关联分析。通常是取某类细胞比例的中位数作为阈值，分成高浸润组和低浸润组，再用survival包的survfit画K-M曲线，用log-rank检验算p值：

library(survival) library(survminer) # 假设关注CD8 T细胞，data包含time和status列 data$cd8_group <- ifelse(mydata$T_cells_CD8 > median(mydata$T_cells_CD8), "High", "Low") fit <- survfit(Surv(time, status) ~ cd8_group, data = data) ggsurvplot(fit, data = data, pval = TRUE, risk.table = TRUE)

这里有个常见的坑：直接用中位数分组，如果样本数少，两组可能不平衡，生存曲线会在后期出现平台期变化不显著的情况。建议画图前先看看浸润比例的整体分布，如果偏态严重，可以用最佳截点（cutoff）搜索，但用最佳截点时一定要做校正，不然有数据挖掘嫌疑。

5. 常见问题与排查技巧实录

5.1 基因匹配率低，最终细胞比例全为0

这是遇到最多的问题。你在网页版跑完后发现LM22里的基因只有几十个匹配上，结果自然惨不忍睹。

排查步骤是：

1. 检查你的表达矩阵第一列是不是基因名，而不是Ensembl ID或者其它形式的ID；
2. 查看基因名格式，比如LM22用的是“TPM3”这种HGNC标准格式，而你的矩阵可能写成了“tpm3”或者“TPM3.2”；
3. 检查是否用了错误的符号，比如把基因分隔符写成了逗号而不是制表符；
4. 用intersect(rownames(exp), lm22_genes)看一下交集数量，如果低于1000，说明输入格式问题比较严重。

基因匹配率通常在50%到80%都算正常，低于30%就必须回头改数据格式，而不是硬着头皮跑下去。

5.2 P值普遍较大，结果不可信

如果跑完之后发现大部分样本的p值大于0.05，相关性低于0.6，问题大概率出在数据标准化方式上。

我建议按这个顺序排查：

1. 如果是RNA-seq数据，确认不是count矩阵。count数据的离散程度和表达动态范围跟芯片谱差异很大，反卷积特别敏感。换成TPM或者vst转换后的矩阵再试一次；
2. 检查是否所有样本都做了相同的归一化处理。如果在合并多个数据集，切记要先合并再标准化，而不是各自标准化完再拼接；
3. 尝试QN参数的切换。有的数据集在QN=TRUE时表现很好，有的不行。两个设置都跑一遍，看p值分布哪个更好，就选哪个；
4. 看看表达矩阵中是否有大量0值。Cibersort对0值很敏感，如果某个基因在所有样本中都是0，建议提前过滤掉。

实测经验是，RNA-seq数据用TPM加QN=TRUE的组合，对大多数公开数据集都能获得不错的p值表现；如果这样还是不行，重点检查批次效应。

5.3 已有免疫细胞浸润结果和病理IHC不一致

这种情况常见于RNA和蛋白水平不一致。Cibersort看的是转录组水平的细胞特征，IHC看的是特定蛋白表达，RNA表达受限、翻译调控、蛋白降解等因素都会造成不一致。

应对思路：如果结论与IHC矛盾，不要急着说Cibersort错。先确认IHC用的标记物特异性，比如CD8A这个基因对应CD8阳性T细胞，但如果IHC用的是CD8B或者CD3，两者代表亚群可能不一致。可以换用其他算法，比如ssGSEA、xCell、MCPcounter，看结果是否与Cibersort一致。多个算法交叉验证后如果仍矛盾，再考虑生物学解释上的差异。

5.4 批量运行多个数据集的效率问题

如果你要分析TCGA所有癌种的数据，每个癌种单独跑一遍会非常耗时间。一个建议是写一个循环脚本，批量处理同一格式的表达矩阵文件。但在合并多癌种之前，一定要先校正批次效应。TCGA不同癌种的样本来自不同测序中心，直接合并跑Cibersort会受到技术批次影响，导致癌种间的差异被夸大。

5.5 引用与可重复性说明

Cibersort的结果论文引用一般用Newman et al. 2015 Nature Methods那篇，但如果你用了网页版，还需要在方法部分说明具体的参数配置，包括LM22版本、permutation次数、QN设置、输入数据标准化方式。审稿人越来越看重可重复性，只写一句“CIBERSORT was used”是不够的。

我常用的方法是部分写法是：

CIBERSORT was applied to evaluate the relative proportions of 22 immune cell subtypes in each sample using the LM22 signature matrix. Permutation testing was performed 1,000 times to generate a p-value for the deconvolution result. Quantile normalization was enabled/disabled. Samples with a CIBERSORT p-value greater than 0.05 were excluded from subsequent analyses.

这样一段话，既能清晰表达分析条件，又能体现质控意识。

6. 个人实操心得与几点补充建议

跑Cibersort跑了几年下来，最大的体会是：这个工具本身很简单，门槛不在跑代码，而在数据理解和质控。很多结果不可信的案例，根源都是输入数据没洗干净。

另外，Cibersort的22种细胞类型中，有些亚群之间的共线性很强，比如M0和M1/M2巨噬细胞之间、T cells follicular helper和T cells regulatory之间，经常会出现估算比例高度波动。如果某个亚群在所有样本中几乎都是0，可能不是表达矩阵的问题，而是参考特征在该数据集中区分度不足。分析时不用把22种细胞全展示出来，选取关键亚群聚焦讨论就好。

最后再分享一个习惯：我每次跑完Cibersort，都会顺手把p值、相关性、RMSE、总比例列保存成一个独立的质控文件，文件名带日期和参数摘要。这样返工的时候一眼就能判断哪一步出了问题。这个习惯帮你省下的时间，远超多花的那一分钟。