上期分享了ComplexHeatmap R包中的oncoprint用于绘制全基因组突变景观图（上期精彩点击ComplexHeatmap 绘制全基因组突变景观图），小伙伴们很感兴趣，后台收到很多测试和代码的需求，看来大家都有对美好事物的追求。通过上期分享发现绘制全基因组突变景观图也不是很复杂，理顺了还是比较容易的。今天小编仍带给大家另外一款可以绘制全基因组突变景观图的R包-GenVisR，这款R包可以绘制：
mutation overview graphic
mutation hotspot graphic
sequence coverage graphic
transition/transversion graphic
功能也很丰富，那么接下来就进入正题。
安装
代码语言：javascript复制if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager：：install("GenVisR")参数释义
代码语言：javascript复制（1）X：绘图文件，此R包对输入文件格式进行了规定，R包可以通过搜索列文件名来找出作图所需要的信息。文件格式可以为MAF、MGI和custom（自定义文件）三种，每种文件至少包含三列信息，分别如下：
MAF必须包含以"Tumor_Sample_Barcode", "Hugo_Symbol", "Variant_Classification"命名的列；
MGI必须包含"sample","gene_name","trv_type"命名的列；
Custom文件必须包含"sample", "gene", "variant_class"命名的列。
（2）mainRecurCutoff：通过gene突变频率阈值进行筛选，大于阈值的进行绘制，值在[0,1]之间，默认为0，不进行任何过滤。
（3）mainGrid：是否显示网格，默认为TRUE显示网格。
（4）mainXlabel：是否展示横轴的样品名称，默认为FALSE不显示。
（5）main_geneLabSize：基因ID字体大小。默认为8。
（6）mainLabelCol：定义网格内显示内容，默认为null。
（7）mainLabelSize：网格内字体大小，仅当定义了mainLabelCol有效。
（8）mainLabelAngle：定义字体角度，仅当定义了mainLabelCol有效。
（9）mainDropMut：是否从mutation type legend中去除不使用的”mutation type”，默认为FALSE。
（10）mainPalette：用户自定义mutation type的颜色，必须为每一种mutation type指定一种颜色,默认null。
（11）mutBurden：统计并plot每个样本的突变密度（一般分为同义突变密度和非同义突变密度）。默认值为NULL；自定义时：可根据公式：mutation per MB=mutation_total/coverage_space *1000000 进行突变密度计算。
（12）coverageSpace：基因组测序长度（bp），默认是44100000（44.1M），可根据测序芯片类型调整。
（13）plotMutBurden：是否在顶端展示mutBurden的sub-plot，默认为TRUE。
（14）clinData：包含临床信息的data frame，默认为NULL；若进行自定义，列名必须为 "sample", "variable","value";此外，clinData 必须以”long” format的形式存在。
（15）clinLegCol：临床信息legend分为多少列。仅当clinData存在时才有效。
（16）clinVarOrder：按指定顺序绘制临床信息。
（17）clinVarCol：根据clinData中的变量指定颜色。
（18）plotGenes：设定绘制的基因。
（19）geneOrder：设定绘制的基因顺序。
（20）plotSamples：设定绘制的样本。
（21）sampOrder：设定绘制的样本顺序。
（22）section_heights：绘图各部分的高度设置
（23）maxGenes：指定最多可以plot的基因数。
（24）rmvSilent：是否去除沉默突变，默认为FALSE。
（25）fileType：读入X的数据格式，分为：”MGI”, “MAF”, “Custom”。
（26）variant_class_order：当自定义X的数据类型为”Custom”时，指定mutation types的plot顺序。
（27）out：输出“data”, “grob”, 或”plot”的类型,默认为 “plot”。
（28）plot_proportions：是否绘制突变谱，默认FALSE。绘图
代码语言：javascript复制library(GenVisR)
set.seed(383)
waterfall(brcaMAF, mainRecurCutoff = 0.06)
#筛选基因突变频率大于0.06的基因进行绘制
waterfall(brcaMAF, mainRecurCutoff = 0.06，mainGrid=FALSE)
#不绘制网格
waterfall(brcaMAF, mainRecurCutoff = 0.1,mainGrid=FALSE,mainLabelCol="Variant_Type",mainLabelSize=2)
#网格中设置文字填充，并设置大小
waterfall(brcaMAF, plotGenes = c("PIK3CA", "TP53", "USH2A", "MLL3", "BRCA1"))
#绘制感兴趣gene的频谱
waterfall(brcaMAF, plotGenes = c("PIK3CA", "TP53", "USH2A", "MLL3", "BRCA1"),plotMutBurden=FALSE,section_heights=c(1,10))
#隐藏上部的plot，注意设置上部的高度，否则绘图时上边由于隐藏plot柱状图而留有大片空白。
waterfall(brcaMAF, plotGenes = c("PIK3CA", "TP53", "USH2A", "MLL3", "BRCA1"),section_heights=c(3,10,3),plot_proportions=TRUE)
#绘制突变类型比例柱状图,注意要设置section_heights=c(3,10,3)，而不是section_heights=c(3,10)，此时section为上、中、下3部分或者默认也可。
subtype <- c("lumA", "lumB", "her2", "basal", "normal")
subtype <- sample(subtype, 50, replace = TRUE)
age <- c("20-30", "31-50", "51-60", "61 ")
age <- sample(age, 50, replace = TRUE)
sample <- as.character(unique(brcaMAF$Tumor_Sample_Barcode))
clinical <- as.data.frame(cbind(sample, subtype, age))
# Melt the clinical data into 'long' format.
library(reshape2)
clinical <- melt(clinical, id.vars = c("sample"))
waterfall(brcaMAF, clinDat = clinical, clinVarCol = c(lumA = "blue4", lumB = "deepskyblue",
her2 = "hotpink2", basal = "firebrick2", normal = "green4", `20-30` = "#ddd1e7",
`31-50` = "#bba3d0", `51-60` = "#9975b9", `61 ` = "#7647a2"), plotGenes = c("PIK3CA",
"TP53", "USH2A", "MLL3", "BRCA1"), clinLegCol = 2, clinVarOrder = c("lumA",
"lumB", "her2", "basal", "normal", "20-30", "31-50", "51-60", "61 "),plot_proportions=TRUE,section_heights=c(3,6,3,2))
#注意设置section_heights，否则容易出现重叠。
今天分享的GenVisR这款R包与上次分享ComplexHeatmap的在代码上理解会更容易一些，并且利用的文件范围相对宽泛，容易操作。ComplexHeatmap需要统计并给出固定格式，对不会编程统计的小伙伴不那么友好，而今天的GenVisR在操作上相对更加容易，小伙伴们你们更喜欢哪一款呢？快来投票吧！
