由於現在免疫相關方面的內容十分的熱，也因此誕生了很多理由高通量測序來進行疾病免疫細胞評估的文章以及數據庫。我們之前介紹的TIMER2以及GEPIA2021都屬於這類的文章。這兩個數據庫只要還是集中在腫瘤當中基因和免疫細胞的關係分析。這個在我們分析的最開始的部分，還是可以用到的。但是如果想要看這個在治療方面，什麼藥物可以影響這些免疫細胞的話，這兩個數據庫就做不到了。所以今天就給大家介紹一個可以分析免疫細胞和藥物治療方面的數據庫: DREIMT(http://www.dreimt.org/).
背景數據集
這個數據庫主要使用了LINCS 1000數據集介紹項目當中的4694個藥物相關數據集。同時又人工收集了2687個免疫細胞相關基因集。通過這兩個數據來分析藥物和免疫細胞之間的關係。
利用以上的數據，首先進行GSEA分析。然後給予GSEA上下調的ES得分來計算一個藥物特徵-免疫特徵對的關聯評分(Drug prioritization score, tau)。
其中關於tau這個評分而言，它類似於相關分析的相關係數。這個評分的範圍是-100到100。其中數值代表相關性。正負代表相關的方向。另外坐作者建議說，當tau > |90|的時候。就可以認爲藥物和免疫細胞有關係。
除了這個指標，在這個數據庫當中，還涉及到了另外一個藥物特異性評分(Drug specificity score, DSS)。DSS這個評分總結了給定藥物譜在多種癌細胞系中的可複製性。該分數考慮了對藥物的反應是細胞特異性還是跨細胞可比的問題。
DSS 分數範圍從 0 到 1。接近 1 的分數表明發現給定藥物的轉錄組學效應與 LINCS 數據庫中所有測試的癌細胞系相似。相反，接近 0 的分數表明已觀察到藥物作用對癌細胞系更具特異性。
基於以上兩者指標。作者建議：如果多種藥物與免疫表達特徵相關聯（tau 評分 >|90|），DSS 可用於優先考慮具有較高 DSS 評分的藥物。
數據庫使用
在這個數據庫當中包括了三種使用方式。
1. 藥物對於基因特徵影響預測
我們在得到一個分組的差異基因之後，就可以來分析哪些藥物可以影響這些差異基因了。
在DREIMT當中，需要相對應的上下調基因即可。
同時對於輸入方式而言，除了同時輸入上下調基因還可以輸入基因集，單純的上調基因/下調基因。
這裏需要注意的是：對於基因的輸入，最少需要15個，最多不能超過200個。
另外，雖然這個數據庫是說研究免疫特徵和藥物作用的關係。但是在這個地方。其實我們輸入別的分組的差異基因也可以來預測藥物和這個分組的相關性的。
結果展示
在結果輸出部分，主要是通過圖和表兩個方式來進行展示的。
在圖片部分，我們可以看到一個基於tau以及FDR展示的火山圖。在這個圖中，作者分成了四個象限：其中兩個是好的候選藥物，另外兩個是候選的不錯的候選藥物。
同時在主要火山圖旁邊還能看到兩個關於藥物信息的基本彙總。
除了圖片展示，還包括了一個表格。在這個表格當中包括了藥物的基本信息；分析獲得的相關FDR；Tau；DSS; 藥物的狀態以及藥物的作用機制(MOA)。
2. 特徵比較
在DREIMT當中除了包括藥物的信息，還包括了免疫細胞的特徵信息。因此我們可以比較自己分析的差異基因和免疫相關基因特徵的關係。
在這個部分，我們只需要輸入我們分析的差異基因即可。同時如果對於免疫細胞有特定分析的話，可以在Filter當中進行篩選。
結果展示
在這個部分主要是基於輸入和數據庫當中的基因集重疊個數，通過fisher檢驗以及Jaccard相關係數來計算兩者的相關性。
在結果當中，也是包括了圖表兩種形式。
在圖片當中，可以看到我們輸入的差異基因和哪些免疫細胞比較相近。在這個部分分成了細胞類型和細胞亞類型兩個分類。
同時在表格當中，在表格 當中，可以看到具體的內容參數。
3. 免疫細胞和藥物的關係
以上兩個功能主要是分析用戶自己上傳的基因和這兩個數據之間之間的關係。下面這個纔是數據庫的只要內容。在這個部分。作者把之間總結的免疫細胞特徵基因和LINCS當中的藥物表達譜進行了分析。我們只需要按照自己的需求輸入選擇想要分析得選項即可。
在選擇完之後就可以得到相對應的分析的表格了。例如我們想要看影響B細胞的藥物有哪些。就直接在前面選擇B cell即可。
總的來說
以上就是這個數據庫的主要功能了。可惜的是，作者沒有提供具體的相關數據信息。不然還可以自己來DIY的。對於這個數據庫而言，雖然它是一個分析免疫細胞和藥物關係的數據庫。但是我們發現其實也可以分期其他的信息。只要有了特徵基因(可以是差異基因也可以是別的)就可以分析這些基因和藥物的關係以及和免疫細胞的相關性。