- 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。 ref alt 1 1 chr1 905907 A T 2 1 chr1 1192480 C A 3 1 chr1 1854885 G C 4 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 TRUE, tri.counts.method = 'default') whichSignatures参数释义 tumor.ref # 上一步生成突变文件 ，数据为数据框或文本，横行是样本，纵行是突变碱基上下文序列 sample.id # 样品名称，tumor.ref文件的行名 signatures.ref # 预测的已知signatures参考文件
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！ 前面的题目见：学徒作业-两个基因突变联合看生存效应 （2020-04-26出题），下面看其中一个学徒的答案哦，同时也欢迎大家继续提交笔记给我哈，有机会认识我！ 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 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: (meta[,4])]=0 meta$time=(as.numeric(meta[,3])+as.numeric(meta[,4]))/30 #2.根据生死定义event，活着是0，死的是1 meta$
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
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。 不同亚组的差异表达基因功能分析 二、新抗原负荷亚组的体细胞突变景观 在严格的q < 0.05阈值下，MutSigCV在所有Pan-Gyn样本中识别出30个显著突变基因（SMGs），包括18个有意义的新抗原基因位点 最近一篇论文报道了肿瘤抗原的特异性活性CD8C和CD4C T细胞在免疫治疗中可诱导抗肿瘤反应。辅助T细胞的免疫反应是CD4C T细胞能够识别MHC II抗原，在抗肿瘤活性中发挥重要作用。 图4.妇科肿瘤免疫浸润状态 六、进一步探究NAL-H和NAL-M的区别 基于以上分析，NAL-H和NAL-M在基因表达差异、免疫浸润水平、对治疗的反应等方面具有相似性。
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。 这里我们使用maftools内置数据集，maftools其实本身也可以做signature分析（但不是它的核心）。 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！
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。 , legend = FALSE) library("gridExtra") grid.arrange(p1, p2, p3, ncol = 3, widths = c(3, 3, 1.75)) p4 p5, ncol = 2, widths = c(4, 2.3)) 更大的contexts 也可以查看更大的contexts,这仅在您有大量突变时才有用 mut_mat_ext_context <- 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。 简而言之，该方法首先从肿瘤和匹配的种系组织的大细胞DNA测序（bcDNA-seq）中收集体细胞突变。 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 单细胞空间突变信息分析导论
Evil Genius想想自己真的挺搞笑的，读大学的时候觉得27、28怎么着也结婚了吧，没想到混到30多去相亲了，喜欢的女孩子无一例外都把自己给踹了， ，相亲么，说真的有一种很奇怪的感觉，目前相亲了3、4个了 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/#。
45820编辑于 2024-04-13- 来自专栏作图丫
几项泛癌driver突变分析汇总
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。 对27种癌症类型的分析显示，非同义突变的中值频率在不同癌症类型之间的差异超过1000倍（图4）。 04 显著突变基因 Mutational landscape and significance across 12 major cancer types[4] 为了识别在单个肿瘤类型和12种肿瘤类型中表现出阳性选择的基因 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]. Nature. 2013;499(7457):214-218. doi:10.1038/nature12213 [4].
1.6K11编辑于 2022-03-29 - 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。 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)。 signature_res = cosmic_v2_sigs, signatures_to_use = c(1, 4, 7, 13), algorithm = "lda") 4. 绘制单个样本的signature samples <- sample_names(musica) plot_sample_counts(musica, sample_names = samples[c(3,4,5
2K31编辑于 2022-03-14 - 来自专栏R语言交流中心
R语言实现突变信号（Mutational Signatures）分析
每一个突变过程都会留下一个不同的基因组标记，也就称为突变信号。 ? 接下来是突变信号的计算，两个包都有自己的计算函数，但是核心都一样，突变信号数量是一致的。deconstructSigs包中的mut.to.sigs.input可以直接计算输入的数据的突变信号分布。 4. plot_contribution 突变信号贡献度的可视化。 ? 4. plot_contribution_heatmap 突变信号贡献的热图绘制。 ? plot_spectrum突变分布的可视化。 ?
9.9K55发布于 2019-07-31 - 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？ TRUE) opts_chunk$set(fig.show='asis') library(BSgenome.Hsapiens.UCSC.hg19)#注意基因组版本 2、准备数据 3、运行R代码 #读取突变文件 purple","red", "darkblue","magenta","maroon", "yellowgreen","violet","lightgreen", "sienna4" ,"deeppink","darkorchid", "seagreen","grey","darkgrey", "black","yellow4","coral2","chocolate2
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 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% 不同人群表现出不同的聚类，这表明样本之间存在共同的遗传祖先（图4a）。其中，AFR 具有最多的 SNV 和 indels（图4bc）。 在 2,504 个不相关样本的基于等位基因频率方面，和GATK的结果相比，存在一定的差异（图4de）。 在这些注释类别中，DRAGEN中稀有和新变体（特别是插入缺失）的百分比高于GATK（图4fg）。
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。 肿瘤突变频谱针对点突变进行定义，A,T,C,G四种碱基两两突变，共有4X3=12种排列，考虑到正负链碱基配对原则，正链上的A->C突变，对应负链上为T->G, 所以进一步转换成了一个组合的问题，所以某个位点的突变可以划分为以下 ，即上下游各取一个碱基再加上突变位点的碱基，组成了3个碱基的motif, 可以有4X4X6=96种模式，每种模式的频率分布就是突变频谱。 4. mutation singnature contribution 每个样本的突变频谱是不同突变特征组成的结果，通过如下代码可视化每个样本中不同突变特征的贡献率 plot_contribution( 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。 首先是根据突变情况联合各种临床参数；其次现已经进入了免疫治疗时代，可以将其与免疫治疗的数据联合分析；或者如果重点要研究某一个分子的突变情况，研究者可以先来看看这里的突变数据~ 总之，用途还是非常多的！
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。
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 - 来自专栏作图丫
几项泛癌基于突变的网络模块分析汇总
最后，为了使聚类的分配具有鲁棒性，使用一致性聚类分析1000次重复抽样（图1d）。 也分析了癌症网络中反复发生的突变和富集的信号通路，以及在已知的癌症基因以及新的候选癌症基因和通路中发现了影响信号传导的突变。 可以假设，随着更多的肿瘤基因组测序，这些模块中将出现新的低复发性突变driver。图4a进一步说明了这一观点，图示细胞周期通路中显著的癌症基因与构建不良的HCDs。 04 癌症突变对调控RNA网络的影响 Analysis of microRNA-target interactions across diverse cancer types[4] MicroRNAs 小编总结 对于样本网络的研究，是生信分析中非常重要的一部分，而突变产生的影响可以由网络进行传播破坏正常的分子功能，了解这种因果机制在研究中非常重要。
57521编辑于 2022-03-29 - 来自专栏生信修炼手册
GATK4最佳实践-体细胞突变的检测与识别
分析体细胞突变时，通常采用tumor_vs_nomal 的实验设计。 在检测时，由于同时会检测出生殖细胞突变和体细胞突变，需要做的就是去除生殖细胞突变位点，那么剩下的就是体细胞突变位点了，GATK4 采用Mutect2 检测体细胞突变，分析流程如下： ? 1. normal2_for_pon_vcf.gz \ -vcfs normal3_for_pon_vcf.gz \ -O pon.vcf.gz 2. normal_vs_turmor 得到体细胞突变 pon.vcf.gz \ -O somatic.vcf.gz mutect2检测时，是成对检测的，需要一个normal bam 和 turmor bam， germline-resource指定一个生殖细胞突变的 af-of-alleles-not-in-resource指定germline-resource 变异位点的频率，低于该频率的位点认为是一个不可靠的生殖细胞突变位点。
2.8K30发布于 2020-05-09 - 来自专栏生信修炼手册
GATK4 最佳实践-生殖细胞突变的检测与识别
GATK4 对于体细胞突变和生殖细胞突变的检测分别给出了对应的pipeline: Germline SNPs+Indels Somatic SNVs + Indels 本篇主要关注生殖细胞突变的分析流程 主要分析步骤都差不多，这里我选择第4个通用的流程 ，网址如下 https://github.com/gatk-workflows/gatk4-germline-snps-indels 1. GVCF ref_fasta代表参考基因组的fasta文件;input_bam代表预处理阶段产生的 bam文件；interval代表interval list文件，如果指定这个参数，只会输出指定区域的突变信息 GenotypeGVCFs 包括两个步骤，第一步，导入MergeVcfs合并好的gvcf文件， 命令如下 gatk --java-options "-Xmx4g -Xms4g" \ GenomicsDBImport 4.
3K40发布于 2020-05-11 - 来自专栏生信技能树
带临床信息的肿瘤突变maf文件分析维度更多
上次我们分享了 指定病人的指定基因的突变全景瀑布图，主要是讲解了maftools这个包的个性化操作，这个教程里面我们仅仅是使用了 TCGA-Clinical Data Resource (CDR) Outcome 而带临床信息的肿瘤突变maf文件分析维度更多。 ifelse(phe$ajcc_pathologic_tumor_stage %in% c( 'Stage IV','Stage IVA' ,'Stage IVB','Stage IVC'),'s4' @clinical.data$stage=phe$new_stage[pos] table(laml@clinical.data$stage) other s1 s2 s3 s4 下期预告：有生存统计信息就可以做生存分析，根据突变位点， 可以在各个癌症内部批量进行生存分析检验，挖掘有意义的基因或者基因列表。
1.7K10发布于 2021-10-12
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