- 综合排序
- 最热优先
- 最新优先
- 来自专栏作图丫
deconstructSigs 突变 Signature 分析
面对大量的SNV突变数据你是否还觉得无从下手，不知道怎么分析合适？今天给大家介绍一个R包-deconstructSigs。这款R包是基于大样本量预测的signature解析突变特征。 base alt R中查看数据： head(sample.mut.ref) Sample chr pos ref alt 1 1 chr1 905907 A T 2 sample.id # 突变文件中的样品列名 chr # 突变文件中的染色体列名 pos # 突变文件中的突变位置列名 ref # 突变文件中的参考基因组碱基列名 alt # 突变文件中的突变碱基列名 signatures.ref = signatures.nature2013, sample.id = 2, tri.counts.method # 三核酸序列标准化，默认为“default”：不进行标准化 # tri.counts.method可设置为"default","exome","genome","exome2genome
1.9K30编辑于 2022-03-29 - 来自专栏生信技能树
突变位点生存分析
一个简单突变位点做生存分析居然拖了一两个月才有人提交笔记！ 加油哈，广大粉丝们 1 主要流程 1.本次选用BRCA的maf数据和临床数据，主要使用其中的varscan数据 2.使用R包maftools读取maf文件，并可视化top10突变基因 3.选取两基因对BRCA 临床样本进行分组 所选取两基因都未发生突变的样本为一组 剩余样本为一组 4.使用logrank进行生存分析 2 代码及结果图 1.读取maf文件并对数据进行可视化 options(download.file.method +" group_list<-ifelse(group_list=="TP53/KMT<em>2</em>C+","TP53/KMT2C+","TP53/KMT2C-") table(group_list) 4.针对基因突变与否 ，进行生存分析 #整理生存分析的输入数据---- #1.由随访时间和死亡时间计算生存时间(月) is.empty.chr = function(x){ ifelse(stringr::str_length
2.1K31发布于 2020-06-19 - 来自专栏用户7627119的专栏
肿瘤新抗原突变负荷分析
2.分析方法 （1）新抗原负荷评估 使用突变数据对肿瘤特异新抗原样本过滤，保留个812 Pan-Gyn样本。使用R包maftools对 MAF文件计算 Pan-Gyn NAL。 用R包limma对定义的亚群进行差异甲基化分析，FDR < 0.05。 （4）突变分析 使用MutSigCV来通过默认参数推断出显著的肿瘤突变基因（q < 0.05）。 用R包limma对定义的新抗原负荷亚群进行差异突变分析，FDR < 0.05。根据hg19人参考基因组，分析了30个突变特征，并比较了所识别的亚组之间的突变特征。 然而，在TCGA所有妇科标志性文献中，没有ACVR2A的报道（18个显著差异的新抗原突变之一），ACVR2A是转化生长因子超家族的成员，在与肿瘤进展和抑制相关的通路中发挥作用。 接下来评估了30个突变特征，以更好地理解复杂的突变过程。得到5个差异显著的特征，分别是特征1、特征3、特征6、特征13和特征30（图2B）。
3.7K41发布于 2020-08-05 - 来自专栏生信菜鸟团
使用 sigminer 进行突变模式分析
突变模式分析（Mutual Signature Analysis）已经逐步成为变异检测后一个通用分析，本文简单介绍如何使用sigminer进行突变模式分析，以解决2大分析任务： 从头发现签名 已知一些参考 如果你会使用maftools读入突变数据，那么就会使用sigminer读入突变数据，支持 data.frame 和MAF文件。 p <- show_sig_profile(sigs2, mode = "SBS", style = "cosmic") p ? 虽然上面都是粗略的分析，但这种方法感觉更好。 上面展示了最核心的分析和可视化功能，sigminer还支持很多功能，我就不再出现了。 当然，读者完全可以基于上面的分析的结果值进行各种个性化分析。
2.5K21发布于 2020-06-10 - 来自专栏作图丫
MutationalPatterns--进行肿瘤突变分析！
背景介绍 突变过程在基因组 DNA 中留下特征足迹。 涵盖了广泛的模式，包括：突变特征、转录和复制链偏差、病变分离、基因组分布以及与基因组特征的关联，这些对于研究突变过程的活动具有共同意义。 R包安装 if (! install.packages("BiocManager") BiocManager::install("MutationalPatterns") library(MutationalPatterns) 分析流程 突变谱显示了每个突变类型在碱基替换目录中的相对贡献。 plot_spectrum_region(type_occurrences_region, mode = "relative_sample") 小编总结 MutationalPatterns的新版本在多种突变分析中均有强大的功能
1.7K21编辑于 2022-03-29 - 来自专栏生物信息学、python、R、linux
SCmut||分析单细胞数据突变
单细胞RNA测序(scRNA-seq)和DNA测序(scDNA-seq)都可以应用于细胞水平基因组分析。对于突变分析，scDNA-seq似乎更常见。 但目前DNA测序中检测突变的方法多种多样，尚不清楚这些方法是否可以用于scRNA-seq数据。 在scRNA-seq乳腺癌数据集中，SCmut可以识别许多高度可信的细胞水平突变，这些突变在许多细胞中都反复出现，并且在不同样品中保持一致。 然后，结合从scRNA-seq中提取的单个细胞的single-nucleotide variants （SNV），SCmut使用二维局部错误发现率（2D local fdr）方法在细胞水平上统计检测体细胞突变 在（i）中，发现的细胞水平突变在肿瘤细胞和非肿瘤细胞之间被很好地分开，在（ii）中，突变被同时在两个独立的数据集中发现。
1.4K10发布于 2020-09-03 - 来自专栏图形化开放式生信分析系统开发
新冠病毒分型和突变分析（SARS-CoV2_ARTIC_Nanopore）
本文使用Artic官方提供环境对Nanopore minion SARS-Cov-2测序数据，对新冠病毒突变及分型鉴定二. lineage_report.csv根据primertrim.bam获的新冠病毒突变信息，过滤后得到 SRR14800265.pass.vcf.gz环境搭建: 为了快速完成环境搭建，节省95%以上时间 并尝试初次运行时初始化安装所需软件下载所需文件（作为代价首次运行时间会较长，切需网络通畅），即实现自动初始化的分析流程。 分析流程：本流程包含artic流程详细步骤，不感兴趣可以直接跳至文章末尾1. 使用IGV Browser查看突变信息（可选）图片图片四.
1.4K00编辑于 2022-12-13 - 来自专栏图形化开放式生信分析系统开发
新冠病毒分型和突变分析（SARS-CoV2_ARTIC_Illumina）
新冠病毒分型和突变分析(SARS-CoV2_ARTIC_Illumina)一. 本文适用于使用Artic扩增子扩增，Illumina双端测序，用于分析新冠病毒突变及分型鉴定二. 分析流程1. 分析前QC，看下数据质量 #conda检测环境是否存在，首次运行不存在创建该环境并安装软件 if [ ! 获取突变信息 source activate SC2 if [ ! 使用IGV Browser查看突变信息（可选）图片图片四.
1.7K20编辑于 2023-02-03 单细胞空间突变信息分析导论
今天周六，昨天相亲的91年大姐要求结婚必须再买一个婚房，自然也就没有然后了，10点了还躺着， 我们来简单汇总一下单细胞空间分析突变的内容吧。 10X空间转录组数据中研究并可视化体细胞突变单细胞、空间、外显子解析TP53突变重构肺腺癌细胞图谱单细胞、空间、外显子分析方法更新单细胞、空间、外显子多组学分析探讨多组学（单细胞、空间转录+蛋白、外显子 、甲基化）揭示神经母细胞瘤异质性图谱2024空间转录组分析方向和文献分享单细胞、空间、外显子多组学分析揭示了早期肺腺癌（LUAD）发展过程中上皮细胞的状态和转录组特征系统整理10X单细胞空间数据中可检测到的有害突变位点 单细胞空间突变的分析方法,这个大家还是普遍采用cellsnp-lite，官网在https://cellsnp-lite.readthedocs.io/en/latest/#。 scDNA-seq and scATAC-seq dataMode 2bTo detectEach per cellSMART-seq2, bulk RNA-seqN.A.其中我们单细胞突变的主要检测命令是
45820编辑于 2024-04-13- 来自专栏Sentieon
加速体细胞突变检测分析流程-系列2（ctDNA等高深度样本）
Sentieon●体细胞变异检测-系列2Sentieon 致力于解决生物信息数据分析中的速度与准确度瓶颈，通过算法的深度优化和企业级的软件工程，大幅度提升NGS数据处理的效率、准确度和可靠性。 针对体细胞变异检测，Sentieon软件提供两个模块：TNscope和TNhaplotyer2。 TNscope：此模块使用Sentieon特有的算法，拥有更快的计算速度（提速10倍+）和更高的计算精度，对临床基因诊断样本尤其适用；TNhaplotyper2：此模块匹配Mutect2（现在匹配到4.1.9 图片图片ctDNA变异检测分析以下给出的步骤脚本，主要针对ctDNA和其他高深度测序的样本数据(2000-5000x depth, AF > 0.3%)第一步：Alignment# ********** Removal (Skip For Amplicon)# ****************************************** # 2a.
53920编辑于 2023-07-27 - 来自专栏作图丫
几项泛癌driver突变分析汇总
在37%的癌症患者中观察到全基因组加倍，这与其他类型的SCNA、TP53突变、CCNE1扩增和PPP2R复合物变异相关。染色体内部的SCNAs往往比端粒结合的SCNAs短，表明它们产生的机制不同。 通过将突变异质性纳入分析，MutSigCV能够消除大多数明显的人工发现（造成的偏倚），并能够识别真正与癌症相关的基因。 分析了特定癌症类型患者的异质性。 分析了19种不同癌症类型的基因表达数据和突变模式、分布和负荷，其中有超过4800个外显体和1000000个体细胞突变。 （2）An APOBEC cytidine deaminase mutagenesis pattern is widespread in human cancers[8] 在乳腺癌中，HER2-enriched 上面这些文章都是从泛癌角度多肿瘤突变进行分析描述，建议大家可以去浏览一下感兴趣的文章哦，里面的绘图和分析都很值得我们借鉴！ 引用： [1].
1.6K11编辑于 2022-03-29 - 来自专栏医学和生信笔记
ggplot2绘制突变全景图
这篇是生信技能树的一个学徒作业：小队列的肿瘤外显子临床预后意义 主要学习的图是这几个： 突变全景图 fig2a fig2c 读取数据 附件下载地址：https://ehoonline.biomedcentral.com " "Transcript" "ExIn_ID" "Cosmic ID" "Vary Type" ## [11] "caseAF" Fig2a Fig2a其实就是突变全景图的右边条形图部分 只要计算某个基因在多少个样本中突变了，再除以53即可得到纵坐标mutation percentage！ 条形图部分 拼图： library(aplot) p3 <- p2 |> insert_bottom(p1,height = 5) p3 拼图 由于纵坐标变成了因子，没有突变的样本会直接移除， ,38),paste0("chr",1:20)) s2$Start_Position <- 1 s2$End_Position <- 2 s2$Reference_Allele <- 3 s2$Tumor_Seq_Allele2
2K40编辑于 2022-11-15 - 来自专栏R语言交流中心
R语言中的突变signature分析工具
新的一年开始了，今天给大家介绍一款用于发现、预测和探索突变特征的综合分析工具包musicatk。此包主要基于COSMIC突变数据中的最新数据进行肿瘤突变模式的探索。 check_ref_bases参数默认进行参考突变筛选；check_ref_chromosomes进行染色体筛选。 musica <- create_musica(x = variants, genome = g) ##载入突变基序数据。 突变基序包括单碱基替换(SBS)、双碱基替换(DBS)、插入(INS)和删除(DEL)。 (musica, "38", build_table = FALSE) ##检测突变signature。
2K31编辑于 2022-03-14 - 来自专栏作图丫
突变signature分析你不能错过的R包！
今天给大家带来的是signature分析的R包“YAPSA”，让大家在分析signature的时候多一个选择，增加绘图展示的多样性，最重要的是让你的老板知道你有多优秀。 大家知道前文分享的“deconstructSigs”（点击看往期详情）也是突变signature的绘图软件，好奇的小伙伴就有疑问了，这俩要是一样就没必要再学了吧？ 是利用非负矩阵分解（Nonnegative Matrix Factor）的方法预测；另外，“YAPSA”方法展示可通过阈值和颜色进行调整，较为灵活；再者，“YAPSA”运行更快和所需的资源更少（个人感觉，在突变不是很多的情况下 准备数据 3、运行R代码 #读取突变文件 data<-read.table(file="C:/Users/snp_mutation.txt",header=T,check.names=F) #提取SNV 那么小编再次在提醒一下注意事项：1、注意使用的signature选择；2注意基因组版本的使用。
1.2K10编辑于 2022-03-29 - 来自专栏生信菜鸟团
新工具：基因组分析和突变检测
DRAGEN* *的WGS种系分析：简单来说就是分析速度快、全面的变异检测、可扩展性、简化的工作流程 示例代码：在 illumina 的 ICA 平台上，使用DRAGEN v.4.2流程进行比对和变异检测 × 151 bp 双端测序数据集中30分钟就完成了生殖突变检测结果：约检测到 492 万个小突变，其中包括 3,956,307 个 SNV， 960,908 个 插入缺失， 13,886 个SV （≥50 bp），1,156 个 CNV（图2a）。 和其他工具相比，DRAGEN 的性能也更高 （图2b-g）。 DRAGEN 在其他样本或数据集的突变检测结果如图3a所示，DRAGEN 在全基因组数据的SNV和Indel突变检测中，召回率在 99.76% 和 99.87% 之间，精确率在 99.90% 和 99.93%
66410编辑于 2024-12-05 - 来自专栏生信修炼手册
使用MutationalPatterns进行肿瘤突变频谱分析
MutationalPatterns是一个bioconductor上的R包，可以用于肿瘤突变频谱的分析。 ) > plot_96_profile(mut_mat[,c(1,2)], condensed = TRUE) 可视化结果示意如下 ? 2. 比较两个样本间突变频谱分布的差异 代码如下 > plot_compare_profiles(mut_mat[,1], mut_mat[,2], condensed = TRUE) 可视化结果示意如下 ? 通过这个R包，可以轻松实现突变频谱的常见分析内容。
3.6K20发布于 2019-12-19 - 来自专栏R语言交流中心
R语言实现突变信号（Mutational Signatures）分析
实例： sample_names <- c ( "colon1","colon2", "colon3","intestine1","intestine2", "intestine3","liver1", "liver2", "liver3" ) # We assemble a list of files we want toload. 2. TXT文件的读取。需要利用deconstructSigs包中的mut.to.sigs.input可以按照一定的结构进行读取数据，同时计算出96种突变情况百分比。 ? = 2) ? 2. plot_192_profile 实例： plot_192_profile(nmf_res_s$signatures) ?
9.9K55发布于 2019-07-31 - 来自专栏分析工具
maftools癌症体细胞变异(突变)分析工具学习
Maftools 是一个专门用于分析和可视化突变数据的 R 包。 Maftools 的主要功能包括：突变数据解析：可以方便地加载 MAF 文件，并将其解析为 R 中的对象，便于进一步分析。 突变数据可视化：提供了多种强大的可视化工具，如瀑布图（Waterfall plot）、突变频率图、共突变和互斥突变分析、突变频谱分析等，帮助研究人员更直观地理解突变数据的特征。 临床数据整合：可以将临床数据与突变数据整合，分析不同临床亚群的突变特征和生存分析等。统计分析：包括突变负荷分析、通路富集分析、TCGA数据整合分析等功能。 ，即共同的突变分类；然后使用setdiff函数找到cla2中不在cla1中的突变分类，将它们合并以形成最终的突变分类列表clacla = c(intersect(cla1,cla2),setdiff(cla2
1.2K10编辑于 2024-09-02 课程丰富----单细胞联合突变的信息分析
作者，Evil Genius多组学是分析的潮流，也有助于我们深刻的认识生物学问题，甚至于找到解决问题的方法，单一组学都有局限性，一叶障目并不可取。当然了我希望大家能抓住空窗期。 汇总一下突变的用药指南卵巢癌的运用卵巢癌(HGSOC)的主要特征是拷贝数改变和基因组重排形式的深刻结构变异，这是在几乎普遍存在的TP53突变的遗传背景下产生的。 在大约一半的HGSOC病例中，同源重组(HR)修复途径基因如BRCA1和BRCA2的体细胞和种系改变导致HR缺乏症(HRD)。
27220编辑于 2025-04-03- 来自专栏用户7627119的专栏
maftools包分析突变数据，绘制瀑布图
☞ 如何从TCGA数据库下载体细胞突变数据（somatic mutation） 今天我们来讲讲，怎么用R的maftools包来分析MAF格式的突变数据，并用瀑布图来展示结果。 maftools这个包的主要分为两部分功能，分析和可视化。下图列出了，这个包中相应的函数的名字。 我们先用maftools包自带的数据，给大家讲解这个包的使用方法。 = laml,addStat = 'median') dev.off() 我们会得到下面的一张突变的汇总图，包括各种突变分类统计图，突变类型统计图，碱基改变统计图，每个样本包含突变数统计图，样本中各种突变分类的箱型图 ，突变最多的10个基因所包含的突变类型，以及样本占比情况。 接下来我们就可以来绘制瀑布图了，我们可以通过top来控制展示多少个突变最多的基因，这里展示20个突变最多的基因。
1.9K40编辑于 2022-09-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号