不是maf格式的somatic突变数据就没办法读入到maftools了么

疫情期间发布了《肿瘤基因测序数据分析》课程，：

  • 官方链接是：https://www.bilibili.com/video/BV1Sy4y1S7pz/

  • 课程思维导图：https://mubu.com/doc/2Whkn5HVCGv

目录如下：

基于Linux的上游数据分析流程
    质量控制
    比对
    GATK流程
    mutect流程
    CNV流程
基于R语言的下游统计可视化
    突变全景图
      SNV
      CNV（GISTIC）
      临床
      pathway等等
      基因排序，样本排序，突变分类，突变总结
      多个队列（癌症，亚型，复发与否，转移与否）
    特定基因集突变图
      生存
      棒棒糖图
      3种pathway展示图
    突变频谱
      6碱基
      96碱基
      signature（COSMIC reference）
      NMF（自己构建）

视频免费发放在b站，学习方式如下所示：

Image

因为使用的是百度李彦宏的文章数据，大家会比较倾向于处理tcga的肿瘤突变数据，虽然仅仅是输入数据的不一样，后续分析都是靠 maftools 这个包，maftools 全能无需我再吹嘘，必须花十几个小时认真掌握它！

假如大家是在 https://xenabrowser.net/datapages/ ，找到   GDC TCGA Breast Cancer (BRCA) (20 datasets) ，数据库提供了4种somatic突变的maf文件供下载，somatic mutation (SNPs and small INDELs) ，一般来说我们选择GATK团队出品的MuTect2 软件拿到的somatic突变数据文件；

  • MuTect2 Variant Aggregation and Masking (n=986) GDC Hub

这个时候呢，你会发现下载的突变数据是tsv格式，并不是maf格式，读入这样的tsv格式的肿瘤突变是信息需要一定技巧哦！

Data from different samples is combined into mutationVector; "Hugo_Symbol", "Chromosome", "Start_Position", "End_Position", "Reference_Allele", "Tumor_Seq_Allele2", "Tumor_Sample_Barcode", "HGVSp_Short" and "Consequence" data are renamed accordingly and presented; "dna_vaf" data is added and is calculated by "t_alt_count"/"t_depth".

如下所示的文件；

https://gdc-hub.s3.us-east-1.amazonaws.com/download/TCGA-BRCA.mutect2_snv.tsv.gz

如果我们仅仅是读入 TCGA-BRCA.mutect2_snv.tsv.gz，会发现它没办法导入到maftools包。

我简单的修改了一下读入方式，代码如下：

rm(list = ls())
require(maftools)
options(stringsAsFactors = F) 
library(data.table)
tmp=fread('TCGA-BRCA.mutect2_snv.tsv.gz')
head(tmp)   
colnames(tmp) =c( "Tumor_Sample_Barcode", "Hugo_Symbol", 
                  "Chromosome", "Start_Position", 
                 "End_Position", "Reference_Allele", "Tumor_Seq_Allele2", 
                "HGVSp_Short" , 'effect' ,"Consequence",
                 "vaf" ) 
tmp$Entrez_Gene_Id =1
tmp$Center ='ucsc'
tmp$NCBI_Build ='GRCh38'
tmp$NCBI_Build ='GRCh38'
tmp$Strand ='+'
tmp$Variant_Classification = tmp$effect
tail(sort(table(tmp$Variant_Classification )))
tmp$Tumor_Seq_Allele1 = tmp$Reference_Allele
tmp$Variant_Type = ifelse(
  tmp$Reference_Allele %in% c('A','C','T','G') & tmp$Tumor_Seq_Allele2 %in% c('A','C','T','G'),
  'SNP','INDEL'
)
table(tmp$Variant_Type )
tcga.brca = read.maf(maf = tmp,
                     vc_nonSyn=names(tail(sort(table(tmp$Variant_Classification )))))

oncoplot(maf = tcga.brca, top = 10) # 高频突变的前10个基因

出图如下所示：

高频突变的前10个基因

其实主要就是对maftools 这个包的read.maf函数的理解，以及对maf文件格式的理解。

文末友情推荐

做教学我们是认真的，如果你对我们的马拉松授课（直播一个月互动教学）有疑问，可以看完我们从2000多个提问互动交流里面精选的200个问答！ 2021第二期_生信入门班_微信群答疑整理，以及 2021第二期_数据挖掘班_微信群答疑笔记

与十万人一起学生信，你值得拥有下面的学习班：

赞 (0)

相关推荐