Illumina人类甲基化数据来自EPIC对免疫磁分类成人血细胞群。FlowSorted.Blood.EPIC包包含来自免疫甲基组学组的Illumina HumanMethylationEPIC (EPIC) DNA甲基化微阵列数据(手稿已提交)，由37个磁性分类的血细胞参考文献和12个样本组成，格式化为RGChannelSet对象，用于使用大多数现有的Bioconductor包进行集成和标准化。

这个包包含类似于FlowSorted.Blood的数据。45万包，包括成年男性和女性的外周血样本数据。然而，当使用更新的EPIC微阵列时，使用flowsort . blood . microarray估计细胞类型组成。与实际的细胞计数相比，45万包不那么精确。因此，该软件包包含用于成人血液样本反卷积的适当数据，例如依赖于较新的EPIC技术的EWAS。

研究人员可能会发现这个包很有用，因为这些样本代表了不同的细胞群(T淋巴细胞(CD4+和CD8+)， B细胞(CD19+)，单核细胞(CD14+)， NK细胞(CD56+)和高纯度估计生成的细胞分选血液的中性粒细胞。作为准确性的测试，使用从纯化细胞中提取的固定数量的DNA重建了12个实验混合物。

对象包括:
1.FlowSorted.Blood.EPICRGChannelSet对象是否包含引用库

我们提供了estimateCellCounts2函数，它是minfi中流行的estimatesCellCounts函数的修改。我们的函数纠正了在处理结合DataFrame对象和引用库时的小故障。我们允许使用来自GEO的MethylSet对象。但是，我们只对这些数据集提供分位数归一化(假设它们之前没有被归一化)。使用Houseman等人2012年描述的CP/QP方法计算估计值。并改编成minfi。CIBERSORT和RPC允许使用外部包。
详见estimateCellCounts2

高级用户反褶积CP/QP, CIBERSORT和/或RPC反褶积

noobset < -preprocessNoob(RGsetTargets)#或from estimateCellCounts2 returnAll=TRUE如果（memory.limit（）>8000) {propEPIC < -projectCellType_CP（getBeta(noobset) (IDOLOptimizedCpGs,),IDOLOptimizedCpGs.compTable,contrastWBC =零，负的=真正的，lessThanOne =假）打印（头(propEPIC))percEPIC < -轮(propEPIC＊One hundred.，1）｝#>警告:'memory.limit()'是windows特有的NK Bcell Mono Neu#> mix_1 0.1916 0.0708 0.1515 0.1904 0.1901 0.2118#> mix_2 0.0463 0.1763 0.0179 0.0442 0.0582 0.6699#> mix_3 0.0675 0.1012 0.0043 0.0223 0.1092 0.7033#> mix_4 0.1208 0.1781 0.0200 0.0167 0.0764 0.6032#> mix_5 0.2891 0.1603 0.1525 0.0718 0.2227 0.1126#> mix_6 0.0963 0.1576 0.0269 0.0243 0.0703 0.6401#如果你喜欢CIBERSORT或RPC反褶积使用EpiDISH或类似的#不运行的示例#库(EpiDISH)# RPC <- epidish(getBeta(noobset)[IDOLOptimizedCpGs，]，# IDOLOptimizedCpGs.compTable, method = "RPC")#RPC $ estf# RPC比例估计# percEPICRPC <轮(RPC estF * 100美元,1)#百分比＃# CBS <- epidish(getBeta(noobset)[IDOLOptimizedCpGs，]，# IDOLOptimizedCpGs.compTable, method = "CBS")#CBS $ estf# CBS比例估计# percEPICCBS <轮(CBS estF * 100美元,1)#百分比

脐带血

#脐带血反褶积图书馆(FlowSorted。CordBloodCombined之中k)第一步:加载参考库以提取脐带样本FlowSorted。CordBloodCombined之中k < -libraryDataGet（“FlowSorted.CordBloodCombined.450k”）FlowSorted。CordBloodCombined之中k#步骤2如果你想运行，将引用从测试数据集中分离出来# example用于此函数示例的估计RGsetTargets < -FlowSorted。CordBloodCombined之中k (,FlowSorted。CordBloodCombined之中k＄CellType= =“白细胞”］sampleNames(RGsetTargets) < -粘贴(RGsetTargets＄CellType,seq_len（昏暗的(RGsetTargets) [2]),9月=“_”）RGsetTargets第三步:使用你最喜欢的软件包进行反褶积。#解卷包含450K DNA甲基化的目标数据集使用您喜欢的方法在血液中分析数据。#你可以使用我们的IDOL优化DMR库的脐带血，这个对象#包含一个长度为517的向量，由优化后的IDOL的id组成# CpG探测。这些cpg被用作反褶积的主干#被选中是因为它们的甲基化特征在六个法线上不同#白细胞亚型加上有核红细胞。#我们建议在minfi中使用Noob processMethod = "preprocessNoob"#目标和参考数据集。#细胞类型包括“CD8T”，“CD4T”，“NK”，“Bcell”，“Mono”，“Gran”，#“nRBC”#使用IDOL优化列表的cpg (IDOLOptimizedCpGsCordBlood)使用# estimateCellCounts2 from FlowSorted.Blood.EPIC。不要在内存有限的情况下运行，规范化步骤需要大量内存#内存资源。使用下面指定的参数#再现性。＃如果（memory.limit（）>8000) {propUCB < -estimateCellCounts2(RGsetTargetscompositeCellType =“CordBloodCombined”，processMethod =“preprocessNoob”，probeSelect =《美国偶像》，cellTypes =c（“CD8T”，“CD4T”，“朝鲜”，“Bcell”，“单一”，“大”，“nRBC”）)头(propUCB＄道具)percUCB < -轮(propUCB＄道具＊One hundred.，1）｝

用细胞计数代替比例。注:这些是随机数，不是实验的实际细胞计数

图书馆(FlowSorted。血之中k)RGsetTargets2 < -FlowSorted。血之中k (,FlowSorted。血之中k＄CellType= =“白细胞”］sampleNames(RGsetTargets2) < -粘贴(RGsetTargets2＄CellType,seq_len（昏暗的(RGsetTargets2) [2]),9月=“_”）RGsetTargets2#>类:RGChannelSet#> dim: 622399# >元数据(0):#> assays(2):绿色红色#> rownames(622399): 10600313 10600322…74810490 74810492#> rowData name (0):#> colnames(6): WBC_1 WBC_2…WBC_5 WBC_6#> colData names(8): Sample_Name Slide…CellType性# >注释#>数组:IlluminaHumanMethylation450k#>注释:ilmn12.hg19propEPIC2 < -estimateCellCounts2(RGsetTargets2compositeCellType =“血液”，processMethod =“preprocessNoob”，probeSelect =《美国偶像》，cellTypes =c（“CD8T”，“CD4T”，“朝鲜”，“Bcell”，“单一”，“神经膜”)，cellcounts =代表（10000，6）)#> snapshotDate(): 2022-04-19#> snapshotDate(): 2022-04-19看到了吗?FlowSorted.Blood。EPIC和browseVignettes('FlowSorted.Blood.EPIC')的文档#>从缓存加载#> [convertArray]投射为IlluminaHumanMethylationEPIC#>加载所需包:IlluminaHumanMethylation450kmanifest#> [estimateCellCounts2]结合用户数据和引用数据(流排序)。#> asMethod(object)中的警告:强制引入的NAs一起处理用户和引用数据。使用IDOL L-DMR探针进行成分估计。估计比例组成(prop)，如果你提供了单元格计数，这些将在组成估计中作为计数提供。头(propEPIC2＄道具)NK Bcell Mono Neu#> wbc_1 0.1458 0.2032 0.0973 0.0397 0.0999 0.4388#> wbc_2 0.0513 0.2054 0.0718 0.0651 0.1317 0.5053#> wbc_3 0.1228 0.1680 0.0466 0.0335 0.0750 0.5835#> wbc_4 0.0892 0.1843 0.0516 0.0797 0.0677 0.5563#> wbc_5 0.0298 0.1570 0.0326 0.0315 0.0636 0.7110#> wbc_6 0.0787 0.1934 0.0503 0.0545 0.0708 0.5803头(propEPIC2＄计数)NK Bcell Mono Neu#> wbc_1 1458 2032 973 397 999 4388#> wbc_2 513 2054 718 651 1317 5053#> wbc_3 1228 1680 466 335 750 5835#> wbc_4 892 1843 516 797 677 5563#> wbc_5 298 1570 326 315 636 7110#> wbc_6 787 1934 503 545 708 5803percEPIC2 < -轮(propEPIC2＄道具＊One hundred.，1）

扩展反褶积

#血液扩展反褶积或任何外部参考#请联系#不要跑图书馆(FlowSorted.BloodExtended.EPIC)＃第一步:提取混合样品FlowSorted.Blood.EPIC < -libraryDataGet（“FlowSorted.Blood.EPIC”）#步骤2如果你想运行，将引用从测试数据集中分离出来# example用于此函数示例的估计RGsetTargets < -FlowSorted.Blood.EPIC (,FlowSorted.Blood.EPIC＄CellType= =“混合”］sampleNames(RGsetTargets) < -粘贴(RGsetTargets＄CellType,seq_len（昏暗的(RGsetTargets) [2]),9月=“_”）RGsetTargets第三步:使用你最喜欢的软件包进行反褶积。#解卷目标数据集450K或EPIC血液DNA甲基化。#我们只推荐IDOL方法，自动方法会导致严重的后果#偏见。#我们建议在minfi中使用Noob processMethod = "preprocessNoob"#目标和参考数据集。#细胞类型包括“Bas”，“Bmem”，“Bnv”，“CD4mem”，“CD4nv”，#“CD8mem”、“CD8nv”、“Eos”、“Mono”,“东北大学”,“朝鲜”,“Treg”#使用FlowSorted.Blood.EPIC中的estimateCellCounts2。不要在内存有限的情况下运行，规范化步骤需要大量内存#内存资源。使用下面指定的参数#再现性。＃如果（memory.limit（）>8000) {prop_ext < -estimateCellCounts2(RGsetTargetscompositeCellType =“BloodExtended”，processMethod =“preprocessNoob”，probeSelect =《美国偶像》，cellTypes =c（“Bas”，“Bmem”，“Bnv”，“CD4mem”，“CD4nv”，“CD8mem”，“CD8nv”，“Eos”，“单一”，“神经膜”，“朝鲜”，“Treg”)，CustomCpGs =如果(RGsetTargets@注释(1］= =“IlluminaHumanMethylationEPIC”) {IDOLOptimizedCpGsBloodExtended}其他的{IDOLOptimizedCpGsBloodExtended450k})perc_ext < -轮(prop_ext＄道具＊One hundred.，1）头(perc_ext)｝

sessionInfo（）#> R版本4.2.0 RC (2022-04-19 r82224)#>平台:x86_64-pc-linux-gnu(64位)运行在Ubuntu 20.04.4 LTS下# >矩阵产品:默认值#> BLAS: /home/biocbuild/bbs-3.15-bioc/R/lib/libRblas.so#> LAPACK: /home/biocbuild/bbs-3.15-bioc/R/lib/libRlapack.so# ># >语言环境:#> [1] LC_CTYPE=en_US。utf - 8 LC_NUMERIC = C#> [3] LC_TIME=en_GB LC_COLLATE=C#> [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。utf - 8#> [7] LC_PAPER=en_US。utf - 8 LC_NAME = C#> [9] lc_address = c lc_phone = c#> [11] LC_MEASUREMENT=en_US。utf - 8 LC_IDENTIFICATION = C# >#>附加基础包:#> [1] parallel stats4 stats graphics grDevices utils数据集#>[8]方法基础# >#>其他附加包:IlluminaHumanMethylation450kmanifest_0.4.0#> [2] flowsorting . blood .450k_1.34.0#> [3] illuminahumanmethylationepicano .ilm10b4.hg19_0.6.0IlluminaHumanMethylationEPICmanifest_0.3.0#> [5] flowsorsed . blood . epic_2 .0.0#>[6]实验#> [7] AnnotationHub_3.4.0#> [8] BiocFileCache_2.4.0#> [9] dbplyr_2.1.1#> [10] minfi_1.42.0#> [11] bumphunter_1.38.0#> [12] locfit_1.5-9.5#> [13] iterators_1.0.14#> [14] foreach_1.5.2#> [15] Biostrings_2.64.0#> [16] XVector_0.36.0#>[17]总结实验_1.26.0#> [18] Biobase_2.56.0#> [19] MatrixGenerics_1.8.0#> [20] matrixStats_0.62.0#>[21]基因组序列_1.48.0#>[22]基因组信息b_1.32.0#> [23] IRanges_2.30.0#> [24] S4Vectors_0.34.0#> [25] BiocGenerics_0.42.0# >#>通过命名空间加载(并且没有附加):#> [1] plyr_1.8.7 splines_4.2.0#> [3] BiocParallel_1.30.0 digest_0.6.29#> [5] htmltools_0.5.2 fansi_1.0.3#> [7] magrittr_2.0.3 memoise_2.0.1#> [9] tzdb_0.3.0 limma_3.52.0#> [11] readr_2.1.2 annotate_1.74.0#> [13] askpass_1.1 siggenes_1.70.0#> [15] prettyunits_1.1.1 blob_1.2.3#> [17] rappdirs_0.3.3 xfun_0.30#> [19] dplyr_1.0.8 crayon_1.5.1#> [21] RCurl_1.98-1.6 jsonlite_1.8.0#> [23] genefilter_1.78.0 GEOquery_2.64.0#> [25] survivor .3-1 glue_1.6.2#> [27] zlibbioc_1.42.0 DelayedArray_0.22.0#> [29] Rhdf5lib_1.18.0#> [31] DBI_1.1.2 rngtools_1.5.2#> [33] Rcpp_1.0.8.3 xtable_1.8-4#> [35] progress_1.2.2 bit_4.0.4#> [37] mclust_5.4.9 preprocessCore_1.58.0#> [39] httr_1.4.2 RColorBrewer_1.1-3#> [41] ellipsis_0.3.2 pkgconfig_2.0.3#> [43] reshape_0.8.9 XML_3.99-0.9#> [45] sass_0.4.1 utf8_1.2.2#> [47] tidyselect_1.1.2 rlang_1.0.2#> [49] later_1.3.0 AnnotationDbi_1.58.0 . ##> [51] BiocVersion_3.15.2 tools_4.2.0#> [53] cachem_1.0.6 cli_3.3.0#> [55] generics_0.1.2 RSQLite_2.2.12#> [57] evaluate_0.15 string_1 .4.0#> [59] fastmap_1.1.0 yaml_2.3.5#> [61] knitr_1.39 bit64_4.0.5#> [63] beanplot_1.3.1 scrime_1.3.5#> [65] purrr_0.3.4 KEGGREST_1.36.0#> [67] nlme_1 .1-157 doRNG_1.8.2#> [69] sparseMatrixStats_1.8.0 mime_0.12 .使用实例#> [71] nor1mix_1.3-0 xml2_1.3.3 . ##> [73] biomaRt_2.52.0 compiler_4.2.0#> [75] filelock_1.0.2 curl_4.3.2 . ##> [77] png_0.1-7 interactiveDisplayBase_1.34.0#> [79] tibble_3.1.6 bslib_0.3.1#> [81] stringi_1.7.6基因组特征_1.48.0#> [83] lattice_0.20-45 Matrix_1.4-1#> [85] multitest_2 .52.0 vctrs_0.4.1#> [87] pillar_1.7.0 lifecycle_1.0.1 . ##> [89] rhdf5filters_1.8.0 BiocManager_1.30.17#> [91] jquerylib_0.1.4 data.table_1.14.2#> [93] bitops_1.0-7 httpuv_1.6.5#> [95] rtracklayer_1.56.0 R6_2.5.1#> [97] BiocIO_1.6.0许诺_1.2.0.1#> [99] codetools_0.2-18 MASS_7.3-57#> [101] assertthat_0.2.1 rhdf5_2.40.0#> [103] openssl_2.0.0 rjson_0.2.21 . ##>[105]与thr_2.5.0基因组比对s_1.32.0#> [107] Rsamtools_2.12.0 GenomeInfoDbData_1.2.8#> [109] hms_1.1.1 quadprog_1.5-8#> [111] grid_4.2.0 tidyr_1.2.0#> [113] base64_2.0 rmarkdown_2.14#> [115] DelayedMatrixStats_1.18.0 illuminaio_0.38.0#> [117] shiny_1.7.1 restfulr_0.0.13

参考文献

LA Salas等(2018)。使用Illumina HumanMethylationEPIC BeadArray分析的全血生物标本的基于参考的反卷积优化库。基因组生物学19,64。doi:10.1186 / s13059 - 018 - 1448 - 7．

LA Salas等(2022)…Nat Comm (In Press)。doi (biorxiv):10.1101 / 2021.04.11.439377．

DC Koestler等人(2016)。通过识别最佳DNA甲基化库(IDOL)改善细胞混合物反褶积。BMC生物信息学。17日,120年。doi:10.1186 / s12859 - 016 - 0943 - 7．

K Gervin, LA Salas等人(2019)。临床表观遗传学11125。doi:10.1186 / s13148 - 019 - 0717 - y．

EA Houseman等人(2012)DNA甲基化阵列作为细胞混合物分布的替代测量。BMC生物信息学13,86。doi:10.1186 / 1471-2105-13-86．

minfi分析和可视化Illumina Infinium甲基化阵列的工具。

FlowSorted.Blood.EPIC

卢卡斯·A·萨拉斯

2022-04-28

高级用户反褶积CP/QP, CIBERSORT和/或RPC反褶积