导读：解析肿瘤微环境的方法非常多种，包括CIBERSORT, TIMER, MCPcounter，xCell, ssGSEA, PCA等等，gene signature 也在不断的产生；但是你研究多年的基因是否与肿瘤微环境相关，除了机制实验来证明，还可以通过大量的数据库资料来证明与可视化。
1-解析肿瘤微环境：
有多种方法，具体原理可参考该推文：肿瘤微环境解析的N种方法。
平台主要包括：①CIBERSORT; ②TIMER; ③MCPcounter; ④xCell等等 。
如果是自己有gene signature, 可以通过ssGSEA, PCA, 或者直接加和的方法进行计算，例如这篇文章，想获得自己的gene signature步骤比较繁琐，但方法也有很多, 想要做出创新性，可以联系我们提供服务。
2-你的目标基因是否与肿瘤微环境相关？
基础实验举步维艰大家都非常理解，你研究一个基因，在实验室熬了一年，只有几个WB和PCR能看，养个细胞天天被污染，想深入机制实验老板又迟迟不给你批经费，当你开始怀疑自己不再适合做科研的时候，不妨试试从数据库出发，做几个漂亮的图让老板开心一下，并坚定一下继续科研的勇气·····
比如：
3-下面简要阐述一下实现该流程的步骤
①找到你所研究的癌种的TCGA或者GEO-转录组数据并按照流程标准化数据；
②用你喜欢的方法解析肿瘤微环境，当然也可以全部一起；
③将你的基因分成高低两组：分组的方法有很多种，平均值，中位值，三分位；
④使用limma包进行差异细胞的批量分析，或者你可以直接批量使用wilcoxon或者t.test进行分析，最后记得进行P值的矫正；
这里提供一下核心代码：
aa<-lapply(bb[,feature], function(x) wilcox.test(x ~ bb[,"group"],var.equal = F))cc<-data.frame(p.value = sapply(aa, getElement, name = "p.value"),names=feature)cc<-cc[order(cc$p.value,decreasing = F),]cc$p.adj<-p.adjust(cc$p.value,method = "BH")
⑤绘图：使用热图，箱图，散点图或泡泡图进行结果展示；
⑥秀！
4-当然还可以补充目标基因的差异分析和富集分析
①将你的目标基因分成高低两组；
②使用正确包进行差异分析：limma还是DEseq2?
③获得的差异基因使用Y叔的clusterprofiler进行通路富集分析和GSEA分析；
④绘图；
