根据免疫状态，肿瘤可以分为hot，肿瘤内外富集免疫浸润淋巴细胞，有明显的免疫浸润性；excluded，免疫细胞没有浸润到肿瘤内部而富集在肿瘤外部，desert，肿瘤不怎么有免疫浸润细胞。
理论上讲，hot tumor更能从免疫治疗获得收益。
Tumor immune phenotypes
肿瘤免疫表型-cold (excluded, desert) and hot
发表评论
C++14 standard requested but CXX14 is not defined
在安装R包的时候遇到报错，C++14 standard requested but CXX14 is not defined
查了很多办法，刚开始是根据https://github.com/stan-dev/rstan/issues/892修改.R下面的Makevars，
但是包另外一个错g++: error: unrecognized command line option ‘-std=c++14’
于是继续查到c++1y这个问题，但依然没有解决问题。
复盘了一下，感觉是gcc的问题，所以升级了最新的gcc
# 系统是CentOS
sudo yum install centos-release-scl
sudo yum install devtoolset-10
scl enable devtoolset-10 bash
但是装包的时候新版的gcc依然不能别识别，所以修改Makevars，最终用了如下的配置,重点是指定了新版的g++和c++的路径，这样问题就解决了
MAKEFLAGS = -j18
## C++ flags
CXX=g++
CXX11=g++
CXX14=/opt/rh/devtoolset-9/root/usr/bin/g++
CXX17=g++
CXXFLAGS=-O3 -march=native -Wno-ignored-attributes
CXX11FLAGS=-O3 -march=native -Wno-ignored-attributes
CXX14FLAGS=-O3 -march=native -Wno-ignored-attributes
CXX17FLAGS=-O3 -march=native -Wno-ignored-attributes
CXXPICFLAGS=-fPIC
CXX11PICFLAGS=-fPIC
CXX14PICFLAGS=-fPIC
CXX17PICFLAGS=-fPIC
CXX11STD=-std=c++11
CXX14STD=-std=c++14
CXX17STD=-std=c++17
## C flags
CC=/opt/rh/devtoolset-10/root/usr/bin/gcc
FLAGS=-O3 -march=native
## Fortran flags
FC=gfortran
F77=gfortran
FFLAGS=-O3 -march=native
FCFLAGS=-O3 -march=native
总结：
1，upgrade gcc
2, specify the absolute gcc and g++ path
如果可以的话，建议把整个系统的gcc都替换成新版的
#####################################################################
#版权所有 转载请告知 版权归作者所有 如有侵权 一经发现 必将追究其法律责任
#Author: Jason
#####################################################################
用SRA-Explorer下载测序数据
下载数据的时候，偶然碰到了SRA-Explorer，感觉挺好用的，地址：https://sra-explorer.info/
这个页面本身非常小，见https://github.com/ewels/sra-explorer，利用的是SRA API。
检索好之后，选择你想下载的样本，点击Add ** to collection，然后点击右上角saved datasets，页面下方就可以原始的fastq的链接，用curl下载fastq的命令，用aspera下载fastq的命令，还有下载SRA的命令，以及样本的metadata。非常好用。
和SRA的Run Selector类似，https://www.ncbi.nlm.nih.gov/Traces/study/?
#####################################################################
#版权所有 转载请告知 版权归作者所有 如有侵权 一经发现 必将追究其法律责任
#Author: Jason
#####################################################################
预测模型校准曲线 Calibration curve
我们常用ROC曲线来衡量模型的预测能力，但很少关注模型的校准度calibration。
Calibration curve的横坐标是我们用模型预测的probability，比如我预测的是可能是肿瘤患者的概率，risk probability，纵坐标是真实的事件event的概率或者事件的proportion。
我们画图的时候，通常是点，需要进行平滑smooting，常用的是 loess方法。
如果我们预测的概率和真实的事件概率完全匹配，那么calibration plot则是一条斜率为1的直线（perfect calibration）。如果我们画出的先在perfect calibration上面，则表示underestimated，就是我们预测的风险或者概率低，真实情况却比较高；反之如果在perfect calibration在下，则是overestimated ，我们预测的风险比真实的风险要高。
根据吻合的程度，又分为poor calibration或者strong calibration，也可以做Hosmer–Lemeshow (HL) goodness-of-fit test。
参考：https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1466-7
# rms包可以画calibration plot
library(rms)
val.prob(predicted.probability, TRUE.Label)
如果模型用rms建立的话，还可以用
rms::calibrate的方法
#我自己也参考别人写了一个函数,结果如下图，欢迎使用
library(loonR)
riskCalibrationPlot(TRUE.Label, predicted.probability)
#####################################################################
#版权所有 转载请告知 版权归作者所有 如有侵权 一经发现 必将追究其法律责任
#Author: Jason
#####################################################################