cBioPortal的突变基因数据很少

Question

数据集中8个样本加起来只有6个突变基因，MSK筛选突变基因的底层逻辑是什么

Answer 1

引自免费微信小程序：皆我百晓生

在分析cBioPortal的数据时，你可能会发现某些数据集中的突变基因数量较少，这可能是因为样本数较少、选择的癌症类型或分子特征特定于小众群体，或者是预处理步骤（例如过滤低频率变异）的结果。

MSK（ Memorial Sloan Kettering Cancer Center）的突变基因筛选逻辑通常基于以下几点：

1. 频率阈值：只考虑在一定比例的样本中发生的突变，比如最常见的可能是5%或10%以上。低于这个阈值的突变会被忽略，因为它们可能是随机事件或实验误差导致的。

2. 统计显著性：通过计算变异与正常对照组之间的差异，使用 Fisher's exact test 或 Chi-squared test 等方法判断突变是否具有统计学意义。

3. 生物学相关性：只关注那些已知与癌症发展相关的基因，这些基因可能在癌症驱动通路中发挥作用，或者与临床标志物有关。

4. 质量控制：排除低质量的测序数据，确保变异是真实的而不是技术原因产生的。

为了模拟一个简单的突变基因筛选过程，我们可以编写一段 R 代码，它将根据给定的频率阈值过滤突变基因。这里假设我们有一个包含突变信息的 DataFrame，名为 mutations_df，其结构如下：

mutations_df <- data.frame(
  Gene = c("PBRM1", "YWHAE", "XPO1", "NUTM2B", "FLT3", "CEBPA", "BRCA2", "SUZ12",
           "ESR1", "NELL1", "MEN1", "MDC1", "KIFC1", "JAZF1"),
  Num_Mutations = c(1, 2, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
  Freq = round((Num_Mutations / nrow(mutations_df)) * 100, 2)
)

mutations_df

接下来，我们可以根据一个设定的频率阈值（例如，10%）来筛选突变基因：

threshold <- 10
filtered_mutations <- mutations_df[mutations_df$Freq >= threshold, ]
filtered_mutations

这段代码会返回一个仅包含频率高于或等于10%的基因的子DataFrame。你可以根据实际需求调整这个阈值。

如果你想要更深入地理解cBioPortal的筛选逻辑，你需要查看他们的文档或者联系项目团队，因为他们可能有自己独特的算法和参数设置。此外，cBioPortal的数据通常是经过严格预处理的，包含了多个研究的汇总结果，因此在不同的研究之间可能存在差异。

如果你需要画出图1和图2的可视化图表，可以使用 ggplot2 包。由于这里没有具体的数据格式，我可以提供一个通用的示例代码，你可以根据实际情况进行修改：

library(ggplot2)

# 假设你已经有了两个数据框，分别为 mut_genes 和 cnv_genes
mut_genes <- # 结构类似上面的 mutations_df
cnv_genes <- # 结构类似 CN Segments 部分的数据

# 绘制突变基因频率直方图
mut_hist <- ggplot(mut_genes, aes(x = Freq)) +
  geom_histogram(binwidth = 5) +
  labs(title = "Mutation Frequency Distribution", x = "Frequency (%)", y = "Count")

# 绘制CNA基因频率直方图
cnv_hist <- ggplot(cnv_genes, aes(x = Freq)) +
  geom_histogram(binwidth = 5) +
  labs(title = "Copy Number Alteration Frequency Distribution", x = "Frequency (%)", y = "Count")

# 将两个图表并排放置
grid.arrange(mut_hist, cnv_hist, ncol = 2)

这个代码将会创建两个直方图，分别展示突变基因和CNA基因的频率分布。你需要根据实际数据对代码进行调整。如果你需要其他类型的图表，也请提供更多的细节描述。