- 综合排序
- 最热优先
- 最新优先
- 来自专栏Sentieon：文献解读
Sentieon | Genetic Disease-RAD51B 胚系突变与胰腺导管腺癌显著相关
其中，携带BRCA2突变的肿瘤表现出较高的HRD评分，而携带CHEK2突变的肿瘤 HRD评分则为零。值得关注的是，本研究中有4例PDAC患者携带RAD51B基因突变，且均为胚系突变。 基因变异中错义突变占大多数（9个）；预测均会导致蛋白提前截断，从而引起BRCA2和RAD51B功能丧失的移码突变共2个；无义突变占1个。 值得注意的是，1例患者携带BRCA2的体细胞突变，其VAF仅为0.06。基因变异频率分析显示RAD51B突变频率最高（n=4，占50%），其次是BRIP1和RAD54L。 值得特别关注的是，4例携带RAD51B变异的肿瘤样本显示出相对较高的免疫原性，其平均新抗原负荷为62.3，平均TMB为1.75。 RAD51B的重要发现在8例携带HR-DDR 变异的患者中，有4例携带RAD51B变异，且均为胚系突变。作为RAD51蛋白家族的重要成员，RAD51B在DNA同源重组修复中发挥关键作用。
23210编辑于 2025-12-10 - 来自专栏生信修炼手册
GATK4最佳实践-体细胞突变的检测与识别
分析体细胞突变时，通常采用tumor_vs_nomal 的实验设计。 在检测时，由于同时会检测出生殖细胞突变和体细胞突变，需要做的就是去除生殖细胞突变位点，那么剩下的就是体细胞突变位点了，GATK4 采用Mutect2 检测体细胞突变，分析流程如下： ? 1. normal2_for_pon_vcf.gz \ -vcfs normal3_for_pon_vcf.gz \ -O pon.vcf.gz 2. normal_vs_turmor 得到体细胞突变 pon.vcf.gz \ -O somatic.vcf.gz mutect2检测时，是成对检测的，需要一个normal bam 和 turmor bam， germline-resource指定一个生殖细胞突变的 af-of-alleles-not-in-resource指定germline-resource 变异位点的频率，低于该频率的位点认为是一个不可靠的生殖细胞突变位点。
2.7K30发布于 2020-05-09 - 来自专栏生信修炼手册
GATK4 最佳实践-生殖细胞突变的检测与识别
GATK4 对于体细胞突变和生殖细胞突变的检测分别给出了对应的pipeline: Germline SNPs+Indels Somatic SNVs + Indels 本篇主要关注生殖细胞突变的分析流程 主要分析步骤都差不多，这里我选择第4个通用的流程 ，网址如下 https://github.com/gatk-workflows/gatk4-germline-snps-indels 1. GVCF ref_fasta代表参考基因组的fasta文件;input_bam代表预处理阶段产生的 bam文件；interval代表interval list文件，如果指定这个参数，只会输出指定区域的突变信息 GenotypeGVCFs 包括两个步骤，第一步，导入MergeVcfs合并好的gvcf文件， 命令如下 gatk --java-options "-Xmx4g -Xms4g" \ GenomicsDBImport 4.
2.8K40发布于 2020-05-11 - 来自专栏作图丫
NATURE|人类突变特征
使用合成数据对两方法进行评估 SignatureAnalyzer和SigProfiler测试了11套合成数据，包括总共64,400个合成样本，其中已知的特征谱用来生成合成突变谱目录。 4. 所分配的特征很好地重建了肿瘤样本的突变谱（图4）。一些突变过程产生的碱基置换在小基因组区域聚集。这些有限数量的突变可能导致无法用标准方法检测到它们的特征。 图4 03 双碱基替换特征 双串联、三联体、四联体、五联体和六联体的碱基置换约占SBSs患病率的1%。 ID3突变的数量与SBS4和DBS2突变的数量正相关，已经表明这与吸烟有关，因此，烟草烟雾成分造成的DNA损伤可能是ID3的基础。 DBS2、DBS4与年龄相关，与正常细胞中的活性一致，当结合它们的图谱时，它们的谱与在正常小鼠细胞中发现的DBS突变谱非常相似。ID1、ID2、ID5、ID8在多种组织中均与年龄相关。
2.9K20编辑于 2022-03-29 - 来自专栏作图丫
deconstructSigs 突变 Signature 分析
面对大量的SNV突变数据你是否还觉得无从下手，不知道怎么分析合适？今天给大家介绍一个R包-deconstructSigs。这款R包是基于大样本量预测的signature解析突变特征。 ref alt 1 1 chr1 905907 A T 2 1 chr1 1192480 C A 3 1 chr1 1854885 G C 4 sample.id # 突变文件中的样品列名 chr # 突变文件中的染色体列名 pos # 突变文件中的突变位置列名 ref # 突变文件中的参考基因组碱基列名 alt # 突变文件中的突变碱基列名 TRUE, tri.counts.method = 'default') whichSignatures参数释义 tumor.ref # 上一步生成突变文件 ，数据为数据框或文本，横行是样本，纵行是突变碱基上下文序列 sample.id # 样品名称，tumor.ref文件的行名 signatures.ref # 预测的已知signatures参考文件
1.7K30编辑于 2022-03-29 - 来自专栏用户7627119的专栏
基因突变类型
狭义突变通常特指基因突变，它包括单个碱基改变所引起的点突变（point mutation），或多个碱基的缺失、重复和插入。 基因突变可发生在个体发育的任何阶段，以及体细胞或生殖细胞周期的任何时期。 如果突变发生在体细胞中，则变异不能直接遗传给下一代。如果突变发生在某一个配子中，那么，子代中只有某一个个体有可能继承这个突变基因。 如果按照DNA碱基顺序改变的类型区分，突变还可以分为碱基置换突变、移码突变、整码突变、染色体错误配对和不等交换4种。 1.碱基置换突变 一个碱基被另一个碱基取代而造成的突变称为碱基置换突变。 转换可能有4种，而颠换可能有8种。在自然界中，转换通常多于颠换。根据碱基置换对肽链中氨基酸顺序的影响，可以将突变分为同义突变、错义突变、无义突变和终止密码突变4种类型。 此外，还有抑制基因突变。如果基因内部不同位置上的不同碱基分别发生突变，使其中一次突变抑制了另一次突变的遗传效应，这种突变称为抑制基因突变（suppressor gene mutation）。
2.1K10编辑于 2022-09-21 - 来自专栏生信修炼手册
TMB:肿瘤突变负荷简介
肿瘤突变负荷 tumor mutation burden, 简称TMB，代表蛋白编码区的非同义突变分布的密度，用蛋白编码区的非同义突变位点总数除以蛋白编码区的总长度, 单位为mutations/mb。 肿瘤的发生是体细胞突变引起的，体细胞在致癌因子的作用下发生基因突变，部分突变细胞经过DNA自我修饰恢复正常，一部分细胞死亡，还有部分突变细胞在其表面表达出新的抗原。 正常情况下下，机体的免疫系统可以识别这些抗原，然后通过免疫应答反应来清楚这些突变的细胞，但是肿瘤细胞可以通过抗原的异常表达或者肿瘤微环境的调节，来实现免疫逃逸，继续分裂生长，形成肿瘤。 TMB的概念中只针对了蛋白编码区的非同义突变，因为只有这些突变才有可能使得肿瘤细胞产生新抗原。
2.7K31发布于 2019-12-19 - 来自专栏生信技能树
突变位点生存分析
一个简单突变位点做生存分析居然拖了一两个月才有人提交笔记！ 前面的题目见：学徒作业-两个基因突变联合看生存效应 （2020-04-26出题），下面看其中一个学徒的答案哦，同时也欢迎大家继续提交笔记给我哈，有机会认识我！ 加油哈，广大粉丝们 1 主要流程 1.本次选用BRCA的maf数据和临床数据，主要使用其中的varscan数据 2.使用R包maftools读取maf文件，并可视化top10突变基因 3.选取两基因对BRCA 临床样本进行分组 所选取两基因都未发生突变的样本为一组 剩余样本为一组 4.使用logrank进行生存分析 2 代码及结果图 1.读取maf文件并对数据进行可视化 options(download.file.method (meta[,4])]=0 meta$time=(as.numeric(meta[,3])+as.numeric(meta[,4]))/30 #2.根据生死定义event，活着是0，死的是1 meta$
1.9K31发布于 2020-06-19 - 来自专栏作图丫
研究癌细胞系的突变特征揭示APOBEC突变的周期性
大多数APOBEC活性的癌细胞系在特征序列上表现为C>T，C>G和C>A突变 (Figure 4)。 在人类癌症中，APOBEC是SBS2和SBS13的来源。 Figure 4：序列克隆揭示了APOBEC突变的片段性。（A-E）在连续时间内，在五个癌细胞系中获得的碱基替换的模式。 体外培养癌症细胞系中产生的SBS2和SBS13突变，大量富集于YTCN / YTCA（Y代表嘧啶）序列，与主要由APOBEC3A介导的偶发突变一致 (Figure S4C)。 突变特征揭示了POLE相关的SBS10a-b/SBS28和SBS4分别只存在细胞系ESS-1和G-292-clone-A141B1中 (Figure 6A)。 此外，在肺腺癌细胞系NCI-H2087的单细胞中未检测到与吸烟相关的SBS4，但该特征在培养基序列中存在 (Figure 6A)。因此，在单细胞中检测到的突变特征表明APOBEC还在继续突变。
1.8K20编辑于 2022-03-29 - 来自专栏作图丫
基因突变棒棒糖图，让你的突变作图美起来！
这是一个R包，名字叫做“G3viz”，是一个专门绘制基因突变的棒棒糖图的。先来看一下颜值，你觉得OK呢再接着往下看。 是不是很OK？ 怎么样才能画出这么高颜值的棒棒糖图呢？小编这就进入正题。 bottom = 0), anno.background = "#d3d3d3", anno.bar.fill = "#a9a9a9", anno.bar.margin = list(top = 4, Default list(top = 4, bottom = 0). Default #4f4f4f. axis.label.alignment axis label text alignment (start/end/middle). Default #c4c8ca. y.axis.line.style style of y-axis in-chart lines (ticks), dash or line.
3.5K10编辑于 2022-03-29 - 来自专栏气象学家
气象水文突变检验及Python的实现：MK、Pettitt、BUT、SNHT、BG突变点检测
来源：气象水文科研猫 1.Mann-Kendall突变点检测： # Mann-Kendall突变点检测 # 数据序列y # 结果序列UF，UB #---------------------------- else: s = s+0 Sk.append(s) Exp_value.append((i+1)*(i+2)/4 else: s2 = s2+0 Sk2.append(s2) Exp_value2.append((i+1)*(i+2)/4 ':K,'突变程度':change_point_desc} return K #,Pettitt_result ---- 3.Buishand U test突变点检测： def Buishand_U_change_point_detection np.abs(Sk) S = np.max(Ska) K = list(Ska).index(S) + 1 Skk = (Sk/sigma) return K ---- 4.
8.6K36编辑于 2022-06-13 - 来自专栏用户7627119的专栏
肿瘤新抗原突变负荷分析
（4）突变分析 使用MutSigCV来通过默认参数推断出显著的肿瘤突变基因（q < 0.05）。用R包limma对定义的新抗原负荷亚群进行差异突变分析，FDR < 0.05。 最近一篇论文报道了肿瘤抗原的特异性活性CD8C和CD4C T细胞在免疫治疗中可诱导抗肿瘤反应。辅助T细胞的免疫反应是CD4C T细胞能够识别MHC II抗原，在抗肿瘤活性中发挥重要作用。 早期研究表明，高的免疫溶细胞活性（CYT）与显著的泛癌生存获益显著相关，并对于抗CTLA-4和抗PD-L1 免疫治疗有效。 结果发现NAL-H和NAL-M中CYT显著升高，与PD-1信号特征基因的上调相对应（图4）。 图4.妇科肿瘤免疫浸润状态 六、进一步探究NAL-H和NAL-M的区别 基于以上分析，NAL-H和NAL-M在基因表达差异、免疫浸润水平、对治疗的反应等方面具有相似性。
3.5K41发布于 2020-08-05 - 来自专栏作图丫
突变特征可视化--sigminer
背景介绍 癌症基因组在其生命周期中由各种突变过程形成，这些过程源于外源性和细胞固有的DNA损伤，以及容易出错的DNA复制，产生了特征突变谱，称为突变特征。 obj, sig_db = "SBS") if (require(pheatmap)) { pheatmap::pheatmap(sim$similarity) } 小编总结 作为最新发布的突变特征提取和可视化
1.1K20编辑于 2022-03-29 - 来自专栏生信菜鸟团
使用 sigminer 进行突变模式分析
突变模式分析（Mutual Signature Analysis）已经逐步成为变异检测后一个通用分析，本文简单介绍如何使用sigminer进行突变模式分析，以解决2大分析任务： 从头发现签名 已知一些参考 如果你会使用maftools读入突变数据，那么就会使用sigminer读入突变数据，支持 data.frame 和MAF文件。 使用 sig_tally() 对突变进行归类整理，针对MAF对象，支持设置 mode 为'SBS'，'DBS'，'ID'以及'ALL'。 我们先看一个最常见的突变模式图谱： p <- show_sig_profile(sigs, mode = "SBS", style = "cosmic") p ? 该算法会生成更大的稀疏（相互之间相互）的签名，因此偏向于生成更多的从我多年研究签名的经验来看，它对于单点突变还是非常友好的。
2.3K21发布于 2020-06-10 - 来自专栏医学数据库百科
突变对蛋白功能影响预测
基因突变对于基因功能的影响是多种多样的。有的突变会改变蛋白的功能，这类改变蛋白功能的突变对于整个基因而言则更加重要一些。我们在肿瘤治疗当中，有的药物是基因蛋白功能起作用的。 来观察突变对于潜在功能的影响。 ? 数据输入选项 AlloDriver在进行分析之前，需要输入三个数据参数。分别是： 工作ID: 这个方便我们来再次查看结果 突变的相关数据:数据库的主体。 突变的相关数据 这个地方我们需要放入想要检索的数据结果。它接受三种输入方式分别是: TXT文本格式: 需要包括三列(样本ID， 基因名；突变位点)。三列之间通过分号来连接。 ? 表格结果 表格结果当中包括了基因名、突变位置、突变的位置等等。 ? 我们点击SHOW可以查看关于这个基因的突变的3D图; 所有结果在泛肿瘤突变的情况；突变在基因中的位置; 以及作用在这个位点的药物。 ?
2.3K20发布于 2020-06-01 - 来自专栏生信菜鸟团
用 VEP 注释突变数据
标准结果文本为 14 列，由 TAB 分割： 1.Uploaded variation ：突变 ID2.Location ：位置3.Allele4.Gene ：基因 Ensembl ID5.Feature /vep -i my_input.vcf --fork 4 --offline 3. 用 tmpfs 将数据库写入内存。4. （包括 dbSNP）注释突变名称。 默认情况下，VEP 用基于归一化的等位基因来匹配数据库以识别与输入突变相匹配的已知突变。 ? VEP 等位基因匹配算法示意图，该算法会将一条带有多个 ALT 的 VCF 记录解析为三种不同的突变类型和坐标。 ----
6.6K20发布于 2020-04-28 - 来自专栏生信菜鸟团
使用MutsigCV预测驱动突变基因
写在前面 首先，突变的分类方法有很多种，按照其是否会导致癌症进展，可以分为驱动突变（driver mutation）和乘客突变（passenger mutation）。 前者在肿瘤细胞中具有选择性生长优势的突变，后者对肿瘤细胞的选择性生长优势无直接或间接影响的突变。 目前来说，推断驱动突变的算法有很多，可以参考这篇综述：https://academic.oup.com/bib/article/17/4/642/2240387。总的来说，可以分为以下 5 种： ? /data/chr_files_hg38.txt 运行 最后运行代码，即可获取驱动突变分析结果： cd ~/wes_cancer/project .. 0 0 50 4 1475904 5.346962e-06 1.305224e-02 ZIM2 221899 902 -70 92136 22920 0 4
8.1K51发布于 2020-05-24 - 来自专栏生物信息学、python、R、linux
SCmut||分析单细胞数据突变
但目前DNA测序中检测突变的方法多种多样，尚不清楚这些方法是否可以用于scRNA-seq数据。 对Bulk RNAseq或scDNA-seq数据开发的突变检测方法不适用于scRNA-seq数据，因为它们会产生过多的假阳性。 在scRNA-seq乳腺癌数据集中，SCmut可以识别许多高度可信的细胞水平突变，这些突变在许多细胞中都反复出现，并且在不同样品中保持一致。 简而言之，该方法首先从肿瘤和匹配的种系组织的大细胞DNA测序（bcDNA-seq）中收集体细胞突变。 在（i）中，发现的细胞水平突变在肿瘤细胞和非肿瘤细胞之间被很好地分开，在（ii）中，突变被同时在两个独立的数据集中发现。
1.2K10发布于 2020-09-03 - 来自专栏作图丫
MutationalPatterns--进行肿瘤突变分析！
背景介绍 突变过程在基因组 DNA 中留下特征足迹。 突变谱显示了每个突变类型在碱基替换目录中的相对贡献。 , legend = FALSE) library("gridExtra") grid.arrange(p1, p2, p3, ncol = 3, widths = c(3, 3, 1.75)) p4 type_occurrences, CT = TRUE, legend = TRUE, error_bars = "stdev") grid.arrange(p4, p5, ncol = 2, widths = c(4, 2.3)) 更大的contexts 也可以查看更大的contexts,这仅在您有大量突变时才有用 mut_mat_ext_context <-
1.6K21编辑于 2022-03-29 - 来自专栏生信修炼手册
SomamiR:肿瘤体细胞突变影响miRNA结合的突变位点数据库
在基因组层面，包括了以体细胞突变为主体的多种基因组变异研究，在转录组层面，包括以ceRNA调控网络为制高点的多项分析内容。 以直接位于miRNA基因区域的体细胞突变位点为例，检索框如下 ? 可以选择对应的肿瘤类型，检索结果示意如下 ? 会给出CLASH数据分析得到的miRNA结合位点，和位于该区域内的体细胞突变的详细信息。 除了直接提供肿瘤相关的体细胞突变位点外，为了更好的研究其功能，还提供了对应的这些突变位点所在基因参与的pathway信息，示意如下 ? 同时还从文献中收集整理了增加患病风险的突变位点信息， 结果示意如下 ? 该数据库将基因组变异和转录组联系起来的分析思路值得我们借鉴。
56710发布于 2019-12-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号