大家好，非常感谢大家对CAMOIP的兴趣和支持。经过半年多的努力，我们的CAMOIP工具迎来了1.1版本，这个版本有更多的功能和更好的用户体验感。 CAMOIP提供用户对免疫治疗预后的生物标志物(如基因突变或基因表达：预后分析)的筛选和后续分子机制的探索 (如①表达分析，②基因突变全景分析，③免疫原性分析-TMB，免疫原性分析-NAL，免疫原性分析-MANTIS score，④免疫浸润分析-免疫细胞，免疫浸润分析-免疫基因，免疫浸润分析-免疫分数，⑤通路富集分析-GSEA，通路富集分析-ssGSEA)。此外，用户还可以通过使用CAMOIP对来自TCGA数据库中的所有癌症类型患者进行上述类似的分析。 目前CAMOIP也被Briefings in Bioinformatics接受了。感谢这段时间通过微信群和邮件等方式给我们提出宝贵意见的各位老师。欢迎大家体验！ CAMOIP网址：http://www.camoip.net/ CAMOIP备用网址：http://220.189.241.246:13838/ 大家有什么意见和建议也请告知我们（zhangjian@i.smu.edu.cn或者luopeng@smu.edu.cn）。 此外，我们后续也会检索和更新CAMOIP中的免疫治疗队列，如果大家有免疫治疗队列，也可以以邮件的形式发送发给我们，我们则会定期更新CAMOIP中数据的。
Survival Analysis
1、Kaplan-Meier
☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因突变状态(MT, WT)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
2、Cox-Regression
☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者接受免疫治疗(ICI-cohort)后临床预后(如OS, PFS)对影响。
☑用户可以探索某基因突变状态(MT, WT)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
☑用户可以探索某基因表达状态(High-Expression, Low-Expression)，临床特征对感兴趣的癌症患者(TCGA-cohort)临床预后(如OS, PFS)对影响。
Expression Analysis
1. Boxplot
☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在某基因突变状态(MT, WT)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较感兴趣的1~10个基因的表达量水平在基因表达状态(High-Expression, Low-Expression)的差异。
2. Table
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下所有基因表达量的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下所有基因表达量的差异。
Mutational Landscape Analysis
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下特定数量(10~30个)TOP mutated的基因或驱动基因的突变频率之间的差异。
Immunogenicity Analysis
1. Tumor Mutation Burden (TMB)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下TMB的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下TMB的差异。
2、Neoantigen Loads (NAL)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下NAL的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下NAL的差异。
3、MANTIS Score
☑在TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下MANTIS Score的差异。
☑在TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下MANTIS Score的差异。
Immune Infiltration Analysis
1、Immune Cells
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫细胞分数(由不同免疫细胞评估算法评估，包括①CIBERSORT；②EPIC；③IPS；④MCPcounter；⑤quanTIseq)的差异。
2、Immune Genes
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4 调节T细胞相关基因；⑤CD8 T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关基因的表达量(如①免疫检查点相关基因)；②抗原处理和呈递相关基因；③B细胞相关基因；④CD4 调节T细胞相关基因；⑤CD8 T cells相关基因；⑥细胞毒性相关基因；⑦免疫抑制相关基因；⑧免疫刺激相关基因；⑨Macrophages相关基因；⑩Type I/II IFN Response相关基因)的差异。
3、Immune Scores
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下免疫相关分数的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下免疫相关分数的差异。
Pathway Enrichment Analysis
1、Gene Set Enrichment Analysis (GSEA)
☑在ICI-cohort或TCGA-cohort中：
[在Step1]用户根据某基因突变状态(MT, WT)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。
[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。
☑在ICI-cohort或TCGA-cohort中：
[在Step1]用户根据某基因表达状态(High-Expression, Low-Expression)和表达数据来进行GSEA，并比较不同基因突变状态(MT, WT)在GO-BP，GO-CC，GO-MF，KEGG和REACTOME基因集通路上的富集活性差异。
[在Step2]用户根据选择感兴趣的可视化形式 (如①GSEA-Plot；②Dot-Plot；③Ridge-Plot；④Emap-Plot)来对Step1中的GSEA结果进行对应的可视化。
2、Gene Set Enrichment Analysis (GSEA)
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因突变状态(MT, WT)下通路分数(由ssGSEA算法评估得到)的差异。
☑在ICI-cohort或TCGA-cohort中，用户可以比较某基因表达状态(High-Expression, Low-Expression)下通路分数(由ssGSEA算法评估得到)的差异。
DATA
在DATA界面，包括了CAMOIP 1.1中所用到的ICI-cohort和TCGA-cohort的参考文献。用户可以通过点击Dataset列中的超链接，进一步可以跳转到对应数据集的界面。
Docs
1. About
在这个界面中，主要包括了一些关于CAMOIP的介绍。
2. FAQ
在这个界面中，主要包括了一些关于CAMOIP的常见问题和对应的回复。
How to Cite CAMOIP
Journal: Briefings in Bioinformatics
DOI: 10.1093/bib/bbac129
Title: CAMOIP: A Web Server for Comprehensive Analysis on Multi-Omics of Immunotherapy in Pan-cancer
