首先阅读 SomaticSignatures 包的文档

原文在：http://bioconductor.org/packages/release/bioc/vignettes/SomaticSignatures/inst/doc/SomaticSignatures-vignette.html

library(SomaticSignatures)
library(SomaticCancerAlterations)
library(BSgenome.Hsapiens.1000genomes.hs37d5)
sca_metadata = scaMetadata()

sca_metadata
sca_data = unlist(scaLoadDatasets())
sca_data$study = factor(gsub("(.*)_(.*)", "\\1", toupper(names(sca_data))))
sca_data = unname(subset(sca_data, Variant_Type %in% "SNP"))
sca_data = keepSeqlevels(sca_data, hsAutosomes(), pruning.mode = "coarse")

sca_vr = VRanges(
  seqnames = seqnames(sca_data),
  ranges = ranges(sca_data), 
  ref = sca_data$Reference_Allele,
  alt = sca_data$Tumor_Seq_Allele2, 
  sampleNames = sca_data$Patient_ID,
  seqinfo = seqinfo(sca_data), 
  study = sca_data$study)

sca_vr

可以看到，这个包，需要的是sca_data这个变量里面各个列，用到了的就是 c( "Sample","chr", "pos","ref",  "alt")  这些列。所以我们自己的somatic突变信息，也需要制作成为这5列。

把508个ESCC的WGS数据的somatic突变制作成为 SomaticSignatures 包的输入数据

在文章主页下载；https://static-content.springer.com/esm/art%3A10.1038%2Fs41422-020-0333-6/MediaObjects/41422_2020_333_MOESM23_ESM.csv

这个是大于500M的CSV文件，下载后修改名字，然后读入R，并且制作成为 SomaticSignatures 包的输入数据的代码如下：

library(data.table)
b=fread('../maf.csv',data.table = F)
b[1:4,1:3]
colnames(b)
mut=b
table(mut$Variant_Type)
mut=mut[mut$Variant_Type=='SNP',]
a=mut[,c(10,2,3,8,9)]
colnames(a)=c( "Sample","chr", "pos","ref",  "alt") 
alls=as.character(unique( a$Sample)) 
a$study=a$Sample
head(a)

虽然我们使用了 data.table 包的 fread函数，可以超级快的读入大于500M的CSV文件，但是也需要一点时间啦。

制作的a这个变量，如下：

> head(a)
           Sample  chr     pos ref alt            study
2 FP1705100059DN01 chr1 4870770   G   T FP1705100059DN01
3 FP1705100059DN01 chr1 5111686   C   T FP1705100059DN01
4 FP1705100059DN01 chr1 5116099   C   T FP1705100059DN01
5 FP1705100059DN01 chr1 5151401   C   T FP1705100059DN01
6 FP1705100059DN01 chr1 5151403   G   C FP1705100059DN01
7 FP1705100059DN01 chr1 5217189   G   A FP1705100059DN01

一个很普通的数据框而已，并不是SomaticSignatures 包的文档介绍sca_data这个变量的类型，但是该有的5列信息是有的。

sca_vr = VRanges(
  seqnames =  a$chr ,
  ranges = IRanges(start = a$pos,end = a$pos+1),
  ref = a$ref,
  alt = a$alt,
  sampleNames = as.character(a$Sample),
  study=as.character(a$study))
sca_vr

提取突变上下文已经计算96突变形式的比例

在SomaticSignatures 包已经是封装好的函数，很容易就可以获取，而且速度超级快哦，代码如下：

# 突变位点坐标基于hg19，从基因组根据坐标获取碱基上下文
sca_motifs = mutationContext(sca_vr, BSgenome.Hsapiens.UCSC.hg19)
head(sca_motifs)
# 对每个样本，计算 96 突变可能性的 比例分布情况
escc_sca_mm = motifMatrix(sca_motifs, group = "study", normalize = TRUE)
dim( escc_sca_mm )
table(colSums(escc_sca_mm))
head(escc_sca_mm[,1:4])

使用NMF确定denovo的signature数量

我们都知道，sanger研究所科学家【1】提出来了肿瘤somatic突变的signature概念 ，把96突变频谱的非负矩阵分解后的30个特征，在cosmic数据库可以学习它。不同的特征有不同的生物学含义【2】，比如文章【3】 就是使用了 这些signature区分生存！主要是R包deconstructSigs可以把自己的96突变频谱对应到cosmic数据库的30个突变特征。

• 【1】https://software.broadinstitute.org/cancer/cga/msp
• 【2】https://en.wikipedia.org/wiki/Mutational_signatures
• 【3】https://www.nature.com/articles/s41586-019-1056-z

但是我们现在要自己推断denovo的signature，所以使用SomaticSignatures 包的identifySignatures函数哦，代码如下：

# 预先设定待探索的 signature 数量范围，文章最后选定11个
if(F){
  n_sigs = 5:15
  gof_nmf = assessNumberSignatures(escc_sca_mm , n_sigs, nReplicates = 5) 
  save(gof_nmf,file = 'gof_nmf.Rdata')
}
load(file = 'gof_nmf.Rdata')
# 这个 assessNumberSignatures 步骤耗时很严重。
plotNumberSignatures(gof_nmf)
# 根据这个图表，选择11个 signature 
sigs_nmf = identifySignatures(escc_sca_mm  ,
                             11, nmfDecomposition)
save(escc_sca_mm,sigs_nmf,file = 'escc_denovo_results.Rata')

绘制自己NMF确定denovo的11个signatures的96突变频谱

代码如下：

load(file = 'escc_denovo_results.Rata')
str(sigs_nmf)  
library(ggplot2)
plotSignatureMap(sigs_nmf) + ggtitle("Somatic Signatures: NMF - Heatmap")
plotSignatures(sigs_nmf, normalize =T) + 
  ggtitle("Somatic Signatures: NMF - Barchart")  +
  facet_grid(signature ~ alteration,scales = "free_y") 

出图如下：