肿瘤微环境中免疫细胞的组成和丰度是影响肿瘤进展和免疫治疗效果的重要因素。由于直接测量方法的局限性，计算算法通常用于从肿瘤转录组图谱推断免疫细胞组成。这些估计的肿瘤免疫浸润人群与肿瘤的基因组和转录组学变化相关，提供了对肿瘤免疫相互作用的见解。今天我们就一起来看这个肿瘤免疫分析的又一神器——TIMER 2.0数据库。
TIMER 2.0数据库（http://timer.comp-genomics.org/）的开发者来自哈佛大学和四川大学，数据库相关文章（PMID: 32442275）于2020年7月发表在Nucleic Acids Research杂志（2019IF=11.501）上。截至2021-04-15该数据库相关文章已引用74次（数据来源：PubMed）。
开发者在之前版本的基础上进行了改进，TIMER 2.0使用六种最先进的算法，为癌症基因组图谱（TCGA）或用户提供的肿瘤概况提供更可靠的免疫浸润水平估计。TIMER 2.0提供了免疫（Immune Association）、探索（Cancer Exploration）和评估（Immune Estimation）三个模块用于调查免疫浸润与遗传或临床特征之间的关联，以及四个模块用于探索TCGA队列中与癌症相关的关联。每个模块可以生成一个功能性热图表，使用户可以轻松地同时识别多种癌症类型的重要关联。
需要注意的是由于当前运行中用于批校正的可用TCGA样本的数量不同，TIMER 2.0的估计分数可能与以前版本的TIMER略有不同。
1 Immune Association
免疫又包含基因（Gene）、突变（Mutation）、sCNA和结局（Outcome）四个项目，每个项目都会在最右边有相应的解释说明。
1. Gene
我们以A1BG在T cell CD8+为例进行查看。
在结果的最上方便是下载按钮，支持Table、JPG和PDF三种格式。在其下方是方框颜色与Spearman比较的P值的对应关系，红色代表正相关，蓝色代表负相关，灰色代表不相关。在结果的右上角有快速检索的按钮，对于结果的展示还支持每列的升降序重新排列，这样方便用户快速找到基因与癌种之间最显著的信息。
2. Mutation
我们以TP53突变在T cell CD8+为例进行查看。
选择突变基因后在右方的介绍摘要之下会自动生成一个TP53在各个癌种中的突变例数占总例数的比值的柱状图。
结果页面与Gene的类似，就不赘述了。
3. sCNA和Outcome
2 Cancer Exploration
探索又包含差异基因（Gene_DE）、结局（Gene_Outcome）、突变（Gene_Mutation）和相关性（Gene_Corr）四个项目，每个项目都会在最右边有相应的解释说明。
1. Gene_DE
我们以A1BG为例进行查看。
在结果的最上方便是下载按钮，支持Table、JPG和PDF三种格式。结果展示了A1BG在不同癌种中的表达情况，其中红色代表肿瘤组，蓝色代表正常对照组，对于有正常对照组的癌种背景色被显示为灰色，并在柱状图的最上面显示了代表P值的星号。
2. Gene_Outcome
结果与之前的Gene下的Outcome类似。
3. Gene_Mutation
结果显示了不同突变状态下的差异基因表达。
点击每个方框可以显示具体的表达情况的小提琴图，也支持JPG和PDF格式的下载。
4. Gene_Corr
结果显示了不同基因之间的相关性。
点击每个方框可以显示具体的相关性图，也支持JPG和PDF格式的下载。
3 Immune Estimation
评估需要用户自行上传数据并选择相应的癌种和物种，网站会自动给出免疫浸润评估的表格、样本间的比较性柱状图和免疫细胞分布的饼图。
我们以网站提供的示例数据进行演示。
免疫浸润评估的结果除了TIMER的还包括其他一些如CIBERSORT、quanTIseq、xCell、MCP-counter和EPIC的免疫评估结果。
后面的柱状图和饼图都支持JPG和PDF格式下载。
总之，TIMER 2.0是一个全面的资源，系统分析免疫浸润在不同类型的癌症，提供了多种免疫反褶积方法估计的免疫浸润丰度，并允许用户动态生成高质量的图像，全面探索肿瘤的免疫学、临床和基因组学特征。总的来说，TIMER 2.0提供了肿瘤浸润免疫细胞的全面分析和可视化功能。
