免疫检查点抑制剂（ICB）改变了癌症治疗格局，但响应率差异巨大。如何提前、精准预测患者对PD-1/CTLA-4抑制剂的响应，是临床研究与实践中的关键挑战。由Shirley Liu实验室开发的TIDE (Tumor Immune Dysfunction and Exclusion) 计算框架，正是为此而生的强大工具！本文将带你实战操作TIDE的响应预测功能，助你将复杂的测序数据转化为明确的临床研究洞见。
一、TIDE：连接组学数据与免疫治疗响应的桥梁
TIDE的核心价值在于其整合算法，它能评估肿瘤微环境中的关键免疫逃逸机制——T细胞功能障碍（Dysfunction）和T细胞排斥（Exclusion），并据此预测患者对ICB的响应可能性。对临床研究者而言，这意味着：
优化患者分层：在试验设计阶段，利用TIDE筛选潜在响应/非响应者，提高试验成功率并可能降低入组成本。
探索耐药机制：分析高低TIDE分患者的组学特征差异，揭示潜在的免疫治疗耐药靶点。
生物标志物发现：TIDE输出的多项免疫相关评分（如IFN-γ, 功能障碍/排斥潜力、免疫细胞浸润等）是挖掘新生物标志物的宝贵资源。
二、实战步骤：如何用TIDE预测ICB响应？
第一步：准备数据并访问平台
1.注册访问TIDE网站http://tide.dfci.harvard.edu/。
2.数据准备：
你需要什么：一个基因表达谱文件（需规范格式）。
格式要求：文件应为txt格式的矩阵文件，行为基因（HGNC Symbol或Entrez ID均可，如TGFB1或7040），列为患者样本ID。网站上提供测试样本文件，建议参考其格式进行准备。
数据标准化 (关键！)：输入的基因表达值（如TPM/FPKM）需经过log2转换（log2(TPM+1)或log2(FPKM+1)）。更重要的一步是归一化：减去对照样本的表达值或所有患者该基因表达的平均值。这相当于计算每个基因在输入样本相对于对照的log2(Fold Change)。以下R代码演示了如何对表达矩阵进行中心化处理（mean-centered normalization），使每个基因在所有样本中的平均表达值为0：
library(readxl)
expression <- read_excel("log2(TPM+1).xlsx")
library(tidyverse)
expression <- expression %>% column_to_rownames(var = names(expression)[1])
TIDE <- t(apply(expression, 1, function(x)x-(mean(x)))) #或者TIDE <- sweep(expression, 1, rowMeans(expression))
range(rowMeans(TIDE))
write.table(TIDE, file = "TIDE.txt", sep = "\t", row.names = T, col.names = TRUE, quote = FALSE)
#代码解读：
1. 数据读取
library(readxl)
expression <- read_excel("log2(TPM+1).xlsx")
• read_excel函数：来自readxl包，专用于读取Excel文件
•参数说明：
•输入文件："log2(TPM+1).xlsx"
•默认行为：第一行作为列名，第一列为基因标识符
•输出：tibble格式的表达矩阵（行=基因，列=样本）
2. 设置基因名为行名
library(tidyverse)
expression <- expression %>% column_to_rownames(var = names(expression)[1])
•tidyverse包：是一个强大的数据科学包集合，这里主要使用其中的tibble功能（read_excel读取的数据为tibble格式）和管道操作符%>%。
• %>%管道符：将左侧结果传递给右侧函数
• column_to_rownames函数（来自tidyverse包）：将指定列转换为行名
•关键参数：var = names(expression)[1]：参数var指定要转换为行名的列，这里使用names(expression)[1]即第一列的列名。
•效果：
•第一列基因ID变为行名
•矩阵变为纯数值矩阵（样本列×基因行）
3. 中心化处理
TIDE <- t(apply(expression, 1, function(x) x - mean(x)))
• apply函数：对矩阵或数据框的行或列应用函数。参数说明：
•参数1：expression - 输入数据
•参数2：1 - 按行操作（2表示按列）
•参数3：自定义函数function(x) x - mean(x)，对每一行（即每个基因在所有样本的表达向量）减去该行的均值（即该基因在所有样本中的平均表达量），从而实现中心化（均值为0）。
• t()转置函数：由于apply函数按行操作时，返回的结果矩阵会将原始的行（基因）变为列，转置后可以恢复原始的行列结构（即行对应基因，列对应样本）。
备选方案：sweep()函数
sweep(expression, 1, rowMeans(expression))
直接通过向量化计算实现中心化，效率更高
sweep函数：对矩阵或数据框的行或列进行批量的减法操作。参数说明：
•expression：输入数据。
•1：表示按行操作。
•整体表示：从数据框的每一行中减去该行的均值。
4. 验证中心化效果
range(rowMeans(TIDE))
• rowMeans函数：计算每行的均值
• range函数：输出最小值和最大值
•浮点数精度说明：理论上，中心化后每行的均值应该为0。但由于计算机浮点数计算的精度限制，实际结果可能是一个非常接近0的小数（例如，1e-15级别）。因此，使用range函数可以验证这些行均值是否在0附近。
5. 导出TIDE格式文件
write.table(TIDE, file = "TIDE.txt", sep = "\t",
row.names = TRUE, col.names = TRUE,
quote = FALSE)
•write.table函数：将数据框或矩阵写入文本文件。参数说明：
•file：输出文件名（"TIDE.txt"）
• sep = "\t"：指定制表符分隔
• row.names = TRUE：保留基因行名
• col.names = TRUE：保留样本列名
• quote = FALSE：不将字符型变量和列名用引号括起来，避免干扰下游分析。
•导出文件：
•格式：纯文本（.txt）
•内容：基因名行 + 样本名列 + 中心化数值矩阵
第二步：设置参数
1.选择癌症类型：
TIDE对黑色素瘤(Melanoma) 和非小细胞肺癌(NSCLC) 的ICB响应预测最为成熟可靠。
重要提示：虽然提供了“其他癌症”选项，但当前模型仅针对上述两种癌症和抗PD-1/CTLA-4疗法进行了验证优化。用于其他癌症或免疫疗法时，结果仅供参考，解读需谨慎。
2.前期免疫治疗史：
勾选Yes 仅当你的患者样本在接受本次预测所针对的ICB之前，已经接受过任何免疫疗法（如其他ICB）。
若前期治疗仅为靶向治疗或化疗，请勾选No。这些疗法不影响当前的TIDE预测规则。
第三步：运行预测
确认信息和数据无误后，点击“Predict Response”蓝色按钮即可运行分析。
三、解读报告
TIDE生成的报告包含直观的图表和详细的数据表，是你挖掘信息的宝藏。
1.TIDE响应预测图：
核心解读：每个患者条形代表其TIDE分数。分值越高（左侧条形越长，蓝色区域），提示对ICB更可能无响应（Non-responder）；分值越低（右侧条形越长，红色区域），提示对ICB更可能有响应（Responder）。病人默认按TIDE分值降序排列（高->低）。
图片
阈值设定技巧：
默认阈值为0。调高阈值（如设1）会提高识别“无响应者”的准确性。
调低阈值（如设0或更低）会提高识别潜在响应者的准确性。
交互操作：鼠标悬停可查看具体分值；可筛选只看响应者/无响应者；支持图表下载。
2.患者免疫特征详表：
图片
Patient: 样本ID。
No Benefits: 综合了TIDE和IFN-γ特征预测的“强无响应者”标记 (重点关注！)。结合两个标志物可显著提升识别无响应者的准确性。
Responder: 仅基于TIDE分数预测的响应者状态。
TIDE: 核心预测分数。值越高，提示肿瘤免疫逃逸潜力越大，ICB响应可能性越低。
IFNG: 干扰素γ信号通路活性评分（基于6个关键基因：IFNG, STAT1, IDO1, CXCL10, CXCL9, HLA-DRA）。该信号通路激活通常与更好的免疫响应相关。
MSI: 预测的微卫星不稳定基因集表达得分。
CD274 (PD-L1): CD274基因表达值。
CD8: CD8A/B平均表达值。
CTL.flag: 细胞毒性T细胞（CTL）浸润水平（高/低）。高水平取值为True，低水平取值为False。
Dysfunction/Exclusion: T细胞功能障碍/排斥程度评分。
MDSC/CAF/TAM M2: 相关免疫抑制细胞特征和输入文件的表达相关性（Pearson）。
交互操作：点击列名可按该列排序；悬停列名查看详细解释。
结语：与PD-L1表达、TMB等传统生物标志物或其他ICB响应预测工具相比，TIDE不仅基于肿瘤微环境的多维机制，结合T细胞功能障碍和排斥两大核心免疫逃逸路径，还附带丰富的免疫特征评分，操作简便、适用性强，是临床与科研中探索免疫耐药机制的有力利器。