deconstructSigs|探寻cosmic的独特“气质”-mutation signature ！
deconstructSigs-mutation signature看一下你的数据是什么“气质”的？
本文首发于“生信补给站” https://mp.weixin.qq.com/s/k7yzk9hPX3Bi-ohAo83ZYw
还有其他 R统计 绘图 生信的干货，也许有需要的呢？
Mutational Signatures 首次出现在2013年的nature文章Signatures of mutational processes in human cancer中（https://www.nature.com/articles/nature12477）。**将mutation位置加上前后一个碱基，构成三碱基模式，然后统计96（6 * 4 * 4）种突变组合的情况。
好奇为什么是96种的，可以查一下文献。
本文介绍如何利用deconstructSigs-R包进行mutation signature分析。
一 准备R包，数据
#install.packages("deconstructSigs")
library(deconstructSigs)
#读入数据
head(sample.mut.ref)
Sample chr pos ref alt
1 1 chr1 905907 A T
2 1 chr1 1192480 C A
3 1 chr1 1854885 G C
4 1 chr1 9713992 G A
5 1 chr1 12908093 C A
6 1 chr1 17257855 C T
class(sample.mut.ref)
## [1] "data.frame"
只需要将自己的数据整理成以上五列（ID，chr，pos，ref，alt ）信息即可，如果是TCGA中的MAF文件也是很好提取的。
二 mut.to.sigs.input构建输入文件
使用 mut.to.sigs.input 函数，构建计算signature的输入文件，得到每个样本的96种三碱基类型。
# Convert to deconstructSigs input
sigs.input <- mut.to.sigs.input(mut.ref = sample.mut.ref,
sample.id = "Sample",
chr = "chr",
pos = "pos",
ref = "ref",
alt = "alt")
注：这一步也许会提示没有XX包，按照要求下载指定R包即可（也许是数据库，耐心安装）。
#查看结果信息
dim(sigs.input)
#[1] 2 96
head(t(sigs.input)) #只有两个sample：“1”和“2”
1 2
A[C>A]A 9 1
A[C>A]C 7 1
A[C>A]G 5 0
A[C>A]T 7 0
C[C>A]A 10 3
C[C>A]C 18 2
以上就得到了sample.mut.ref文件中的每一个sample的96种三碱基类型的结果了。
三 推断signature的组成
# Determine the signatures contributing to the two example samples
sample_1 = whichSignatures(tumor.ref = sigs.input,
signatures.ref = signatures.cosmic,
sample.id = 1,
contexts.needed = TRUE,
tri.counts.method = 'default')
其中：
tumor.ref：每个sample的96种三碱基突变序列 signatures.ref：已知的signatures参考文件，可选signatures.nature2013和signatures.cosmic sample.id：对应tumor.ref文件中的样本名 contexts.needed ：是否需要突变上下文 tri.counts.method：三核酸序列标准化方式，默认“default” 不进行标准化 ；或者选择exome,genome,exome2genome,genome2exome 来限定区域。
3.2 查看返回结果
#查看结果
class(sample_1)
#查看权重结果
sample_1$weights
#输出tumor的三碱基序列百分比
sample_1$tumor
#三碱基序列百分比 * 权重
sample_1$product
whichSignatures会输出5个元素的list文件：
-
weights -- data frame containing the weights assigned to each of the k signatures of the input signatures matrix
-
tumor -- matrix of the trinucleotide contexts for the tumor sample used as input
-
product -- matrix obtained when the tumor matrix is multiplied by the assigned weights
-
diff -- matrix representing the difference between the tumor matrix and product matrix
-
unknown -- numeric weight not assigned to any of the input signatures
3.3 指定signature权重
通过associated参数指定参与计算的signature
sample_1.associate = whichSignatures(tumor.ref = sigs.input,
signatures.ref = signatures.cosmic,
sample.id = 1,
associated = c("Signature.1","Signature.22"),
contexts.needed = TRUE,
tri.counts.method = 'default')
sample_1.associate$weights
3.4 设定signature的阈值
通过signature.cutoff设定阈值，小于此值的为0
sample_1.cutoff = whichSignatures(tumor.ref = sigs.input,
signatures.ref = signatures.cosmic,
sample.id = 1,
contexts.needed = TRUE,
signature.cutoff = 0.08 ,
tri.counts.method = 'default')
sample_1.cutoff$weights
四
# Plot example
plot_example <- whichSignatures(tumor.ref = sigs.input,
signatures.ref = signatures.cosmic,
sample.id = 1)
# Plot output
plotSignatures(plot_example, sub = 'example')
查看sample1的signature的组成情况，就是上面plot_example$weight , plot_example$tumor , plot_example$product 的结果可视化。
参考资料：
https://github.com/raerose01/deconstructSigs
◆ ◆ ◆ ◆ ◆
精心整理（含图版）|你要的全拿走！有备无患 （R统计，ggplot2绘图，生信图形可视化汇总）
【觉得不错，右下角点个“在看”，期待您的转发，谢谢！】
