TCGA入门---使用maftools处理变异数据

使用maftools处理变异数据是生信技能树TCGA课程中讲到的一个知识点,现做下简单总结练习,记录过程如下,方便后续使用。

1.下载数据

1.1进入TCGA网站


image.png

1.2 case选择


image.png

1.3 file选择
image.png

1.4 下载mutect文件


image.png

这个文件不大,download即可
image.png

下载得到
image.png

2.读取数据

2.1 解压即可得到一个maf.gz文件,放到工作目录下


image.png

3.突变数据可视化

3.1 maftools 自带可视化函数plotmafSummary
可以比较直观的统计maf文件的数据。

#if (as.numeric(dev.cur()) != 1) graphics.off()
plotmafSummary(maf = laml, rmOutlier = TRUE,
               #showBarcodes = FALSE,
               addStat = 'median', dashboard = TRUE, titvRaw = FALSE)

就是将maf_df 数据框做了统计,用barplot和boxplot做了可视化。
3.2 突变频谱图
选择突变数量前30的基因

oncoplot(maf = laml, top = 30, fontSize = 0.7)

image.png

图形解读

左边热图

一行是一个基因,总共是9444个基因,从中截取了top30;
一列是一个样本,总共是336个样本。
不同颜色代表不同类型的突变。

右侧条形图

右侧的条形图是每个基因的突变样本数、突变类型和比例

验证一下突变样本数

> count(maf_df,Hugo_Symbol,sort = T)
      Hugo_Symbol   n
   1:         VHL 169
   2:       PBRM1 148
   3:         TTN  77
   4:       SETD2  46
   5:        BAP1  37
  ---                
9440:       ZWINT   1
9441:        ZXDA   1
9442:        ZXDB   1
9443:        ZXDC   1
9444:         ZYX   1

结果显示VHL在169样本中突变,样本总数336,所以是49%,
条形图的颜色是突变类型,以VHL基因为例,他的突变类型分别是:

> maf_df %>% filter(Hugo_Symbol=="VHL") %>%
+   count(Variant_Classification,sort = T)
   Variant_Classification  n
1:      Missense_Mutation 60
2:        Frame_Shift_Del 41
3:      Nonsense_Mutation 27
4:        Frame_Shift_Ins 22
5:            Splice_Site 16
6:           In_Frame_Del  2
7:       Nonstop_Mutation  1
顶部条形图

显示每个样本里突变的基因个数,可以看到最高的是那个1600多。

> laml@variants.per.sample %>% head()
           Tumor_Sample_Barcode Variants
1: TCGA-B8-4143-01A-01D-1806-10     1611
2: TCGA-B0-5098-01A-01D-1421-08      550
3: TCGA-A3-A8OV-01A-11D-A36X-10      120
4: TCGA-CJ-4920-01A-01D-1429-08      117
5: TCGA-CZ-5468-01A-01D-1501-10      102
6: TCGA-B0-5713-01A-11D-1669-08       97

后面还可以根据自己分组情况添加一些临床信息。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,372评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,368评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,415评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,157评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,171评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,125评论 1 297
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,028评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,887评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,310评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,533评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,690评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,411评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,004评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,659评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,812评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,693评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,577评论 2 353

推荐阅读更多精彩内容