这个包发表于2021年，以患者的RNA序列数据作为输入，来预测免疫治疗的结果。文章的DOI是：doi: 10.1016/j.patter.2021.100293.
用户手册在：http://127.0.0.1:27097/library/easier/doc/easier_user_manual.html
输入的表达矩阵要求是RNA-Seq数据，原始的Counts数据和TPM数据都可以。
easier包主要包括以下几个功能：
一、计算免疫反应的特征（Compute hallmarks of immune response）
compute_scores_immune_response函数能够对多个不同的免疫特征进行打分，主要包括：
函数里的selected_scores参数可以选择输出哪些Hallmarks。比如我们指定2个Hallmarks进行计算：
> immune_response_scores <- compute_scores_immune_response(RNA_tpm = tpm)
结果是一个dataframe，行是样本，列是分数。
> head(immune_response_scores)
CYT TLS IFNy Ayers_expIS
TCGA-05-4244-01A 6.804592 8.771665 5.044553 4.562678
TCGA-05-4250-01A 43.445152 8.315098 7.135774 6.035539
TCGA-05-4382-01A 11.721161 19.004632 6.411094 5.380301
TCGA-05-4384-01A 10.612710 17.434152 4.950731 4.482248
TCGA-05-4389-01A 35.632111 16.462322 7.097995 6.227765
TCGA-05-4390-01A 4.065595 4.934187 4.510498 3.948847
二、对TME定量描述的计算
这里主要是为后面计算免疫治疗响应准备数据，分以下几个部分。
（一）细胞成分
比CIBERSORT简单一些，不需要读入LM22的文件，但是相应的只有9个类别。
> str(cell_fractions)
'data.frame': 486 obs. of 11 variables:
$ B : num 0.00607 0.01211 0.02209 0.00391 0.01051 ...
$ M1 : num 0.2832 0.1664 0.1915 0.1058 0.0712 ...
$ M2 : num 0.0561 0.037 0.0834 0.1553 0.0607 ...
$ Monocyte : num 0 0 0 0 0 ...
$ Neutrophil: num 0.0543 0.0468 0.0118 0.033 0.1042 ...
$ NK : num 0.00814 0 0.00452 0.00526 0.002 ...
$ CD4 T : num 0.0436 0.0595 0.0353 0.0356 0.0369 ...
$ CD8+ T : num 0.00919 0.03629 0.00194 0.00504 0.03537 ...
$ Treg : num 0.0436 0.0221 0.0353 0.0229 0.0369 ...
$ DC : num 0 0 0 0 0 ...
$ Other : num 0.539 0.642 0.649 0.656 0.679 ...
（二）通路活性方面
主要是评估14条信号通路的活性，包括Androgen、EGFR、Estrogen、Hypoxia、JAK-STAT、MAPK、NFkB、p53、PI3K、TGFb、TNFa、Trail、VEGF、WNT的活性。注意这一步只能输入Counts。
> pathway_activities <- compute_pathway_activity(RNA_counts = , remove_sig_genes_immune_response = TRUE)
> str(pathway_activities)
'data.frame': 486 obs. of 14 variables:
$ Androgen: num 3765 3789 3613 3869 3695 ...
$ EGFR : num 53.65 210.41 9.37 -82.37 -20.52 ...
$ Estrogen: num 2399 2439 2357 2425 2333 ...
$ Hypoxia : num 7787 7853 8095 7170 7132 ...
$ JAK-STAT: num 6883 7086 6912 6595 7129 ...
$ MAPK : num 1441 1662 1357 1294 1313 ...
$ NFkB : num 6823 6829 7326 6383 6561 ...
$ p53 : num 4677 4646 4592 4871 4845 ...
$ PI3K : num -3602 -3513 -3465 -3635 -3571 ...
$ TGFb : num 3038 3224 3419 3096 2969 ...
$ TNFa : num 7198 7124 7564 6556 6708 ...
$ Trail : num 118 120 135 100 142 ...
$ VEGF : num -417 -508 -503 -564 -488 ...
$ WNT : num 630 647 698 656 697 ...
（三）转录因子活性
能够对118个转录因子的活性进行评估
> tf_activities <- compute_TF_activity(RNA_tpm = tpm)
> str(tf_activities)
'data.frame': 486 obs. of 118 variables:
$ AR : num -0.709 1.233 -2.683 -1.041 -1.452 ...
$ ARNTL : num 2.389 0.821 1.489 -0.25 0.22 ...
$ ATF1 : num 1.191 2.22 1.093 -0.459 0.268 ...
$ ATF2 : num 0.201 2.197 0.425 0.823 -0.4 ...
$ ATF4 : num 0.727 1.965 0.259 -0.992 -0.409 ...
$ ATF6 : num 0.825 0.341 2.062 0.326 1.216 ...
$ BACH1 : num 1.216 0.497 0.338 1.645 2.544 ...
$ CDX2 : num -1.3392 -0.5584 -0.8671 -0.8286 0.0699 ...
$ CEBPA : num 1.775 2.059 1.663 0.097 1.424 ...
$ CEBPB : num 1.084 0.993 0.781 0.482 1.155 ...
$ CEBPD : num 0.4532 -0.0117 0.3975 0.5953 0.5444 ...
表格很长，这里就不全部展示了。
（四）配体-受体权重与细胞间相互作用
手册的描述：使用衍生的癌症特异性细胞间网络，可以对867个配体-受体的权重进行量化。使用配体-受体权重作为输入，可以得出169个细胞-细胞相互作用分数。结果跟上面的类似，这里也不展示了。
总结一下，这一步我们获得了cell_fractions、pathway_activities、tf_activities、lrpair_weights、ccpair_scores一共5个变量，接下来这5个变量要全部（或部分）输入到一个函数里来预测免疫治疗的响应。
三、获取患者对免疫反应的预测
> predictions <- predict_immune_response(pathways = pathway_activities,
immunecells = cell_fractions,
tfs = tf_activities,
lrpairs = lrpair_weights,
ccpairs = ccpair_scores,
cancer_type = cancer_type,
verbose = TRUE)
这个函数的输入包括5个内容，都是上面计算得出来的结果。另外还需要指定癌种，主要包括：膀胱尿路上皮癌（BLCA）、BRCA浸润癌（BRCA）、宫颈癌和宫颈癌（CESC）、结直肠癌（CRC）、多形性胶质母细胞瘤（GBM）、头颈部鳞状细胞癌（HNSC）、肾透明细胞癌（KIRC）、肾肾乳头状细胞癌（KIRP）、肝细胞癌（LIHC）、肺腺癌（LUAD），肺鳞状细胞癌（LUSC）、非小细胞肺癌（NSCLC[LUAD+LUSC]）、卵巢浆液性囊腺癌（OV）、胰腺癌（PAAD）、前列腺癌（PRAD）、皮肤黑色素瘤（SKCM）、胃腺癌（STAD）、甲状腺癌（THCA）、子宫内膜体癌（UCEC）。
这一步得到的结果predictions是一个list，需要进一步处理才能得到最终的预测结果。
四、得到ICB治疗的预测结果
通过函数retrieve_easier_score可以对上面的list进行处理得到easier预测的免疫治疗响应评分。如果有TMB信息还可以联合TMB信息进行评估。
> easier_derived_scores <- retrieve_easier_score(predictions_immune_response = predictions,
TMB_values = TMB,
easier_with_TMB = c("weighted_average",
"penalized_score"),
weight_penalty = 0.5)
得到的结果是一个dataframe，里面存着不同方法得到的免疫治疗响应的评分。其中easier_score是不纳入TMB信息的得分。
> str(easier_derived_scores)
'data.frame': 482 obs. of 3 variables:
$ easier_score: num -0.356 0.135 0.162 -0.552 0.348 ...
$ w_avg_score : num 0.229 0.268 0.395 0.213 0.285 ...
$ pen_score : num -0.356 0.135 0.662 -0.552 0.348 ...
这里TMB有两种纳入的方法，一种是加权，一种是惩罚得分，可以两个都算出来看看。另外，输入的TMB必须为一个Named_num。否则会报错。
除了上面这个函数，还可以通过函数assess_immune_response进行处理。
> output_eval_with_resp <- assess_immune_response(predictions_immune_response = predictions,
patient_response = patient_ICBresponse,
RNA_tpm = RNA_tpm,
TMB_values = TMB,
easier_with_TMB = "weighted_average",
weight_penalty = 0.5)
这个函数的参数patient_response是由用户提供的每个患者的治疗信息，整理成两个因子的字符向量输入（Non-responders = NR, Responders = R），如果没有治疗信息的话可以直接把这个参数删掉。
这个函数会输出一个list，里面存着几个图。
如果提供了patient_response的话，会输出一个ROC曲线和一个AUC的barplot。
如果同时还提供了TMB的话，将返回一个散点图，显示综合方法、easier score和TMB的AUC值。
如果没有patient_response的话，将返回一个点图，代表每个患者的综合得分，同时还有一个箱线图。
以上是个人摸索的一些经验，不当之处请大家多多批评指正！
