echarts 词云_TCGA|根据somatic mutation绘制突变景观图（oncoplot）和基因词云

使用 XENA下载的TCGA-LAML.mutect2_snv.tsv文件绘制基因词云和突变景观图。

一基因词云

       有小伙伴在https://mp.weixin.qq.com/s/DvX_pKPF9bCcNqc3u6rTuw这个帖子下面留言说使用 maftools 的 genecloud函数绘制基因云图时，报错提示没有这个函数，然后还提到 http://bioconductor.org/packages/release/bioc/vignettes/maftools/inst/doc/maftools.html  官方文档中也没有genecloud，，也许是我的版本比较早所以还有吧，，，

虽然genecloud无法绘制，但是可以使用wordcloud2绘制，同样很简单

1.1 加载R包和数据

将XENA下载后的数据TCGA-LAML.mutect2_snv.tsv.gz解压，然后直接读入

#一键清空rm(list = ls()) #载入R包library(tidyverse)#读入数据mut  read.table("TCGA-LAML.mutect2_snv.tsv",sep = "\t" , header = T,                    stringsAsFactors = FALSE ,                   check.names = FALSE)head(mut,2)

1.2 计算基因频次，绘制词云

#计算每个基因出现的个数mut2  mut %>% filter(effect %in% c("missense_variant","inframe_insertion")) %>%  select(Sample_ID,gene) %>%   group_by(gene) %>%   summarise(Freq = n()) %>%   arrange(desc(Freq))head(mut2)####绘制基因词云#####library(wordcloud2)#绘制频次大于等于5的da  subset(mut2,Freq >= 5) #、wordcloud2(da)

1.3 maf文件绘制词云图

如果使用maftools中的maf文件绘制呢？首先根据maftools|TCGA肿瘤突变数据的汇总，分析和可视化得到了laml数据，那么可以用以下方式获得基因云图

library(wordcloud2)data2  as.data.frame(table(laml@data$Hugo_Symbol))da2  subset(data2,Freq >= 3) #3就是minMut参数的值wordcloud2(da2)

二瀑布图(oncoplot)

2.1 提取基因

提取 1.2中突变频次较高的基因，进行绘制

mut3  mut %>% filter(gene %in% da$gene) %>%   select(Sample_ID,gene,effect) %>%   #只选择"missense_variant","inframe_insertion"两种类型  filter(effect %in% c("missense_variant","inframe_insertion")) %>%   unique()#转成绘制热图的数据形式(宽型数据)library(reshape2)mut3_dcast  mut3 %>% dcast(Sample_ID ~ gene,value.var='effect') %>%   dplyr::select(Sample_ID, da$gene) %>%   column_to_rownames("Sample_ID") %>%   t()

2.2 ComplexHeatmap绘制突变景观图

library(ComplexHeatmap)library(circlize)mat  mut3_dcastmat[is.na(mat)]""mat[1:6,1:6]oncoPrint(mat)

2.3 景观图调整

#指定颜色, 调整颜色代码即可col  c( "missense_variant" = "blue" , "inframe_insertion" = "green")#指定变异的样子，x,y,w,h代表变异的位置(x,y)和宽度(w)，高度(h)alter_fun  list(  background = function(x, y, w, h) {    grid.rect(x, y, w-unit(0.5, "mm"), h-unit(0.5, "mm"),              gp = gpar(fill = "#CCCCCC", col = NA))  },  missense_variant = function(x, y, w, h) {    grid.rect(x, y, w-unit(0.5, "mm"), h-unit(0.5, "mm"),              gp = gpar(fill = col["missense_variant"], col = NA))  },  inframe_insertion = function(x, y, w, h) {    grid.rect(x, y, w-unit(0.5, "mm"), h*0.33,                gp = gpar(fill = col["inframe_insertion"], col = NA))  })#指定变异类型的标签，和数据中的类型对应heatmap_legend_param  list(title = "Alternations",                             at = c("missense_variant","inframe_insertion"),                             labels = c( "missense_variant","inframe_insertion"))#设定标题column_title  "This is Oncoplot "  oncoPrint(mat,          alter_fun = alter_fun, col = col,          column_title = column_title,          remove_empty_columns = TRUE, #去掉空列          remove_empty_rows = TRUE, #去掉空行          row_names_side = "left", #基因在左          pct_side = "right",          heatmap_legend_param = heatmap_legend_param)

更多参数参考ComplexHeatmap|根据excel表绘制突变景观图(oncoplot)。

【觉得不错，右下角点个“在看”，期待您的转发，谢谢！】