由于现在免疫相关方面的内容十分的热，也因此诞生了很多理由高通量测序来进行疾病免疫细胞评估的文章以及数据库。我们之前介绍的TIMER2以及GEPIA2021都属于这类的数据库。这两个数据库只要还是集中在肿瘤当中基因和免疫细胞关系的分析。但是如果想要看这个在治疗方面，什么药物可以影响这些免疫细胞的话，这两个数据库就做不到了。所以今天就给大家介绍一个可以分析免疫细胞和药物治疗方面的数据库: DREIMT(http://www.dreimt.org/)。

背景数据集

这个数据库主要使用了LINCS项目当中的4694个药物相关数据集。同时又人工收集了2687个免疫细胞相关基因集。通过这两个数据来分析药物和免疫细胞之间的关系。

利用以上的数据，首先进行GSEA分析。然后给予GSEA上下调的ES得分来计算一个药物特征-免疫特征对的关联评分(Drug prioritization score, tau)。

其中关于tau这个评分而言，它类似于相关分析的相关系数。这个评分的范围是-100到100。其中数值代表相关性。正负代表相关的方向。另外作者建议说，当tau > |90|的时候。就可以认为药物和免疫细胞有关系。

除了这个指标，在这个数据库当中，还涉及到了另外一个药物特异性评分(Drug specificity score, DSS)。DSS这个评分总结了给定药物谱在多种癌细胞系中的可复制性。该分数考虑了对药物的反应是细胞特异性还是跨细胞可比的问题。

DSS 分数范围从 0 到 1。接近 1 的分数表明发现给定药物的转录组学效应与 LINCS 数据库中所有测试的癌细胞系相似。相反，接近 0 的分数表明已观察到药物作用对癌细胞系更具特异性。

基于以上两者指标。作者建议：如果多种药物与免疫表达特征相关联（tau 评分 >|90|），DSS 可用于优先考虑具有较高 DSS 评分的药物。

数据库使用

在这个数据库当中包括了三种使用方式。

1. 药物对于基因特征影响预测

我们在得到一个分组的差异基因之后，就可以来分析哪些药物可以影响这些差异基因了。

在DREIMT当中，需要相对应的上下调基因即可。

同时对于输入方式而言，除了同时输入上下调基因还可以输入基因集，单纯的上调基因/下调基因。

这里需要注意的是：对于基因的输入，最少需要15个，最多不能超过200个。

另外，虽然这个数据库是说研究免疫特征和药物作用的关系。但是在这个地方。其实我们输入别的分组的差异基因也可以来预测药物和这个分组的相关性的。

结果展示

在结果输出部分，主要是通过图和表两个方式来进行展示的。

在图片部分，我们可以看到一个基于tau以及FDR展示的火山图。在这个图中，作者分成了四个象限：其中两个是好的候选药物，另外两个是候选的不错的候选药物。

同时在主要火山图旁边还能看到两个关于药物信息的基本汇总。

除了图片展示，还包括了一个表格。在这个表格当中包括了药物的基本信息；分析获得的相关FDR；Tau；DSS; 药物的状态以及药物的作用机制(MOA)。

2. 特征比较

在DREIMT当中除了包括药物的信息，还包括了免疫细胞的特征信息。因此我们可以比较自己分析的差异基因和免疫相关基因特征的关系。

在这个部分，我们只需要输入我们分析的差异基因即可。同时如果对于免疫细胞有特定分析的话，可以在Filter当中进行筛选。

结果展示

在这个部分主要是基于输入和数据库当中的基因集重叠个数，通过fisher检验以及Jaccard相关系数来计算两者的相关性。

在结果当中，也是包括了图表两种形式。

在图片当中，可以看到我们输入的差异基因和哪些免疫细胞比较相近。在这个部分分成了细胞类型和细胞亚类型两个分类。

同时在表格当中，在表格 当中，可以看到具体的内容参数。

3. 免疫细胞和药物的关系

以上两个功能主要是分析用户自己上传的基因和这两个数据之间之间的关系。下面这个才是数据库的主要内容。在这个部分。作者把之间总结的免疫细胞特征基因和LINCS当中的药物表达谱进行了分析。我们只需要按照自己的需求输入选择想要分析的选项即可。

在选择完之后就可以得到相对应的分析的表格了。例如我们想要看影响B细胞的药物有哪些。就直接在前面选择B cell即可。

总结

以上就是这个数据库的主要功能了。可惜的是，作者没有提供具体的相关数据信息。不然还可以自己来DIY的。对于这个数据库而言，虽然它是一个分析免疫细胞和药物关系的数据库。但是我们发现其实也可以分析其他的信息。只要有了特征基因(可以是差异基因也可以是别的)就可以分析这些基因和药物的关系以及和免疫细胞的相关性。