我们利用Pyclone和CITUP得到了三个文件即cellfreq.txt和tree.txt 和sample_id，下面我们就利用TimeScape搞一下可视化，在这里不会出现具体的基因或突变位点，但是都是可以追述的。

关于安装问题

安装很简单，利用BioManager即可顺利安装完成。

# try http:// if https:// URLs are not supported
if (!requireNamespace("BiocManager", quietly=TRUE))install.packages("BiocManager")
BiocManager::install("timescape")

关于输入数据获得

该输入数据是以每个样本每个克隆的克隆系统发育和克隆流行率作为输入。将之前的主要命令行整理，获得三个输入文件：cellfreq.txt，tree.txt 和 sample_id，如下：

####利用PyClone获得文件 tables/loci.tsv，再生产三个文件freq.txt，cluster.txt 和 sample_id
PyClone run_analysis_pipeline --in_files SRR385938.tsv SRR385939.tsv SRR385940.tsv SRR385941.tsv --working_dir pyclone_analysis
cat ./pyclone_analysis/tables/loci.tsv | cut -f 6 | sed '1d' | paste - - - -  > ./pyclone_analysis/freq.txt
cat ./pyclone_analysis/tables/loci.tsv | cut -f 3 | sed '1d' | paste - - - - |cut -f 1 > ./pyclone_analysis/cluster.txt
cat ./pyclone_analysis/tables/loci.tsv | cut -f 2 | sed '1d' | head -4 > ./pyclone_analysis/sample_id
####利用CITUP获得文件results.h5
run_citup_qip.py ./pyclone_analysis/freq.txt ./pyclone_analysis/cluster.txt ./pyclone_analysis/results.h5
####利用ReadH5.py读取results.h5获得两个文件cellfreq.txt 和 tree.txt
python ReadH5.py ./pyclone_analysis/results.h5 | sed 's/^ \[//;s/\[//g;s/\]//g' | tr ' ' '\t'| grep '\.' > ./pyclone_analysis/cellfreq.txt
python ReadH5.py ./pyclone_analysis/results.h5 | sed 's/^ \[//;s/\[//g;s/\]//g' | tr ' ' '\t'| grep -v '\.' > ./pyclone_analysis/tree.txt

关于运行问题

软件包自带例子好几个，但是内部使用example，直接运行，估计大家都一头雾水，其实直接看：

example("timescape") ###生成多个可视化将出现在您的浏览器中

browseVignettes("timescape")

#or:

?timescape

看例子吧，如下：

 # EXAMPLE 1 - Acute myeloid leukemia patient, Ding et al., 2012# genotype tree edges
tree_edges <- read.csv(system.file("extdata", "AML_tree_edges.csv", package = "timescape"))tree_edges source target
1      1      2
2      1      3
3      3      4
4      4      5# clonal prevalences
clonal_prev <- read.csv(system.file("extdata", "AML_clonal_prev.csv", package = "timescape"))clonal_prev timepoint clone_id clonal_prev
1 Diagnosis        1      0.1274
2 Diagnosis        2      0.5312
3 Diagnosis        3      0.2904
4 Diagnosis        4      0.0510
5   Relapse        5      1.0000# targeted mutations
mutations <- read.csv(system.file("extdata", "AML_mutations.csv", package = "timescape"))head(mutations)Tier chrom    coord clone_id timepoint    VAF
1    3     1  2554021        1 Diagnosis 0.4383
2    3     1 11965332        1 Diagnosis 0.4123
3    3     1 18952534        1 Diagnosis 0.4891
4    3     1 20382629        1 Diagnosis 0.4754
5    3     1 28395117        5 Diagnosis 0.0004
6    3     1 30729775        1 Diagnosis 0.4812# perturbations
perturbations <- data.frame( pert_name = c("Chemotherapy"), prev_tp = c("Diagnosis"))
perturbations pert_name   prev_tp
1 Chemotherapy Diagnosis                               # run timescape
timescape(clonal_prev = clonal_prev, tree_edges = tree_edges, perturbations = perturbations, height=260)

关于参数问题

TimeScape需要配置的参数包括必要参数选参数。

必要参数如下:

clonal_prev是由每个时间点每个克隆的克隆流行率组成的数据帧，该数据的列为:

character() timepoint - timepoint
character() clone_id - clone id
numeric() clonal_prev -clonal prevalence。

Tree_edges是描述根克隆系统发育的边缘的数据框架，该数据的列为:

character() source - source node id
character() target - target node id。

可选参数如下：

突变是由每个克隆中产生的突变组成的数据表格，如果提供了这个参数，一个突变表将出现在视图的底部。该数据的列为:

character() chrom - chromosome number
numeric() coord - coordinate of mutation on chromosome
character() clone_id - clone id
character() timepoint - time point
numeric() VAF - variant allele frequency of the mutation in the corresponding timepoint.

实际数据测试

利用我们生产的实际数据cellfreq.txt，tree.txt 和 sample_id作为输入数据，来获得分析结果，如下：

library(timescape)
options(stringsAsFactors = F)
#example("timescape")
#browseVignettes("timescape")
library(plotly)
library(htmlwidgets)
library(webshot)
library(tidyr)tree_edges = read.table("tree.txt")
colnames(tree_edges) = c("source","target")# clonal prevalences
cellfreq = read.table("cellfreq.txt")
colnames(cellfreq) = 0:(length(cellfreq)-1)
sample_id = read.table("sample_id")
cellfreq$timepoint = sample_id[ , 1]
clonal_prev = gather(cellfreq, key="clone_id", value = "clonal_prev", -timepoint)
clonal_prev = clonal_prev[order(clonal_prev$timepoint),]
clonal_prev
# targeted mutations
# mutations <- read.csv(system.file("extdata", "AML_mutations.csv", package = "timescape"))p = timescape(clonal_prev = clonal_prev, tree_edges = tree_edges,height=260)saveWidget(p, "test.html")

关于生成文件特征

该软件包生产.html格式文件，可以用浏览器直接打开，之后可以保存为SVG，或者 PNG，一般我习惯选择SVG，之后方便使用AI编辑使用。测试结果如下：

References:

Ding, Li, et al. “Clonal evolution in relapsed acute myeloid leukaemia revealed by whole-genome sequencing.” Nature 481.7382 (2012): 506-510.

Ha, Gavin, et al. “TITAN: inference of copy number architectures in clonal cell populations from tumor whole-genome sequence data.” Genome research 24.11 (2014): 1881-1893.

Malikic, Salem, et al. “Clonality inference in multiple tumor samples using phylogeny.” Bioinformatics 31.9 (2015): 1349-1356.

McPherson, Andrew, et al. “Divergent modes of clonal spread and intraperitoneal mixing in high-grade serous ovarian cancer.” Nature genetics (2016).

Topic 9. 克隆进化之 TimeScape相关推荐

Topic 6. 克隆进化之 Canopy
前五期的肿瘤可进化分析都是基于组织或血液检出的SNV和CNV,而这几年兴起的单细胞,越来越展露头角,自然,单细胞克隆进化也是目前的热点系列,接下来我们将介绍几款分析单细胞克隆进化的软件,也可以说是单细 ...
Topic 3. 克隆进化之 fishplot
上面两篇肿瘤克隆进化之后第三篇就是大家非常感兴趣的鱼图也就是sankey图,之前有发过一遍,但是好多学者反应不是很好使用,现在重新发一次,即fishplot R包 **背景:**深度大规模并行测序技术 ...
Topic 8. 克隆进化之 RobustClone
**上一期介绍了 Cardelino 的使用,这期介绍RobustClone,我们知道单细胞数据的SNV和CNV检出率都是非常低的,那么怎么有效的获得可使用的突变位点是重中之重,那么该软件包Robus ...
Topic 5. 克隆进化之 CITUP
这期介绍CITUP 全称 Conality Inference in Tumors Using Phylogeny,是一种使用系统发育论进行肿瘤的克隆推断生物信息学工具,可用于从单个患者获得的多个样本 ...
IF：伴FLT3-ITD突变的急性髓系白血病在米哚妥林治疗下的克隆进化
点击关注,桓峰基因桓峰基因的教程不但教您怎么使用,还会定期分析一些相关的文章,学会教程只是基础,但是如果把分析结果整合到文章里面才是目的,觉得我们这些教程还不错,并且您按照我们的教程分析出来不错的结 ...
DNA 1. Germline Mutation Vs. Somatic Mutation 傻傻分不清楚
点击关注,桓峰基因桓峰基因生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你 76篇原创内容公众号 B站直播课,肿瘤克 ...
DNA 2. SCI 文章中基因组变异分析神器之 maftools
点击关注,桓峰基因桓峰基因生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你 78篇原创内容公众号前言随着癌症基 ...
IF：13+ Nomogram预测免疫检查点抑制剂治疗MSI-H型转移性结直肠癌患者的预后
点击关注,桓峰基因桓峰基因生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你 79篇原创内容公众号这期分享一篇临床预 ...
SCS【13】单细胞转录组之识别细胞对“基因集”的响应 (AUCell)
点击关注,桓峰基因桓峰基因公众号推出单细胞系列教程,有需要生信分析的老师可以联系我们!首选看下转录分析教程整理如下: Topic 6. 克隆进化之 Canopy Topic 7. 克隆进化之 Car ...

Topic 9. 克隆进化之 TimeScape

我们利用Pyclone和CITUP得到了三个文件即cellfreq.txt和tree.txt 和sample_id，下面我们就利用TimeScape搞一下可视化，在这里不会出现具体的基因或突变位点，但是都是可以追述的。

关于安装问题

安装很简单，利用BioManager即可顺利安装完成。

关于生成文件特征

该软件包生产.html格式文件，可以用浏览器直接打开，之后可以保存为SVG，或者 PNG，一般我习惯选择SVG，之后方便使用AI编辑使用。测试结果如下：

References:

Topic 9. 克隆进化之 TimeScape相关推荐

最新文章

热门文章