1概述

CopyNeutralIMA提供了使用Illumina Infinium 450k或EPIC DNA甲基化阵列进行拷贝数变异(CNV)分析的参考样本。有许多R/Bioconductor包可以进行基因组拷贝数分析，包括conumee(Hovestadt和Zapatka，留言。），冠军田等。2017）或CopyNumber450k，现在已弃用。为了提取有关拷贝数变更的信息，需要一组拷贝中性样本作为参考。这个包CopyNumber450kData，通常用来提供参考，已不再可用。此外，从来没有人努力为EPIC阵列提供参考样本。为了填补这一空白，我们在此介绍CopyNeutralIMA包中。

2描述

在这个包中，我们提供了一组51个IlluminaHumanMethylation450k和13个IlluminaHumanMethylationEPIC样本。所提供的样本由健康个体的材料组成，名义上没有拷贝数畸变。的用户conumee或者其他拷贝数分析包可以使用该数据包作为参考基因组。

3.数据

我们从不同的研究中选择了数据基因表达综合(GEO)．特别是，对于450k数组的样本GSE49618(Ley等。2013），GSE61441Wei et al.;2015）而且GSE106089汤姆林森等人。2017）被选择。对于EPIC阵列，系列中的正常或控制样本GSE86831/GSE86833(Pidsley et al.)2016），GSE98990(周，莱尔德，沈2017）而且GSE100825Guastafierro等。2017）被选择。

4的例子conumee

首先，我们加载要分析的数据并重命名它。我们将使用minfiData(丹尼尔、阿尔耶和蒂姆2018）的小插图中描述的步骤conumee．

library(minfi) library(conummee) library(minfiData) data(RGsetEx) sampleNames(RGsetEx) <- pData(RGsetEx)$Sample_Name cancer <- pData(RGsetEx)$status == 'cancer' RGsetEx <- RGsetEx[，cancer] RGsetEx #> class: RGChannelSet #> dim: 622399 3 #> metadata(0): #> assays(2): Green Red #> rownames(622399): 10600313 10600322…74810490 74810492 #> rowData names(0): #> colnames(3): GroupB_3 GroupB_1 GroupB_2 #> colData names(13): Sample_Name Sample_Well…Basename文件名#>注释#>数组:IlluminaHumanMethylation450k #>注释:ilmn12.hg19

加载数据后，我们将其归一化:

MsetEx <- preprocessIllumina(RGsetEx) MsetEx #> class: MethylSet #> dim: 485512 3 #> metadata(0): #> assays(2): Meth Unmeth #> rownames(485512): cg00050873 cg00212031…ch. 22.47579720r# > ch. 22.48274842r# > rowData names(0): #> colnames(3): GroupB_3 GroupB_1 GroupB_2 #> colData names(13): Sample_Name Sample_Well…Basename文件名#>注释#>数组:IlluminaHumanMethylation450k #>注释:ilmn12.hg19#> Preprocessing #> Method: Illumina, bg.correct = TRUE, normalize = controls, reference = 1 #> minfi version: 1.43.0 #> Manifest version: 0.4.0

现在我们从与测试样本相同的数组类型中加载控制样本，并将它们归一化:

library(CopyNeutralIMA) ima <- annotation(MsetEx)[['array']] RGsetCtrl <- getCopyNeutralRGSet(ima) # preprocess as with sample data MsetCtrl <- preprocessIllumina(RGsetCtrl) MsetCtrl #> class: MethylSet #> dim: 485512 51 #> metadata(0): #> assays(2): Meth Unmeth #> rownames(485512): cg00050873 cg00212031…ch. 22.47579720r# > ch. 22.48274842r# > rowData names(0): #> colnames(51): GSM1185582 GSM1185583…GSM2829413 GSM2829418 #> colData names(7): ID gsm…source_name_ch1 characteristics_ch1 #>注释#>数组:IlluminaHumanMethylation450k #>注释:ilmn12。方法:Illumina, bg. hg19 #>预处理#>正确= TRUE, normalize =控件，参考= 1 #> minfi版本:1.43.0 #> Manifest版本:0.4.0

最后，我们可以根据作者的指示运行conumee分析:

#使用conumee提供的信息创建注释文件或根据包指令data(exclude_regions) data(detail_regions) anno <- CNV. #定义它们。create_anno(array_type = "450k"， exclude_regions = exclude_regions, detail_regions = detail_regions) #>使用来自UCSC的基因组注释#>获得450k注释#> - 470870探针使用#>导入区域以排除分析#>导入区域用于详细分析#>创建垃圾箱#> - 53891个垃圾箱创建#>合并垃圾箱#> - 15820个垃圾箱剩余#加载来自参考数据和待分析样本控制的数据。data <- cnv .load(MsetCtrl) ex.data <- cnv .load(MsetEx) cnv <- cnv .fit(ex. ctrl)数据(“GroupB_1”),控制。data, anno) cnv <- cnv .bin(cnv) cnv <- cnv .detail(cnv) cnv <- cnv .segment(cnv) cnv #> cnv分析对象#> created: Wed Apr 27 09:12:29 2022 #> @name: GroupB_1 #> @anno: 22染色体，470870探针，15820 bins #> @fit: available (noise: 2.32) #> @bin: available (shift: 0.005) #> @detail: available(20个区域)#> @seg: available(29个片段)cnv .genomeplot(cnv)

CNV。基因组图(cnv, CHR = 'chr18')

头(CNV。write(cnv, what = 'segments')) #> ID chrom loc。疯狂的开始。结束num.mark bstat pval seg。> 1 GroupB_1 chr1 635684 148927230 931 21.475711 1.422312e-99 -0.194 #> GroupB_1 chr1 149077230 149379823 5 26.044755 7.787661e-147 3.058 #> 3 GroupB_1 chr1 149579823 249195311 657 NA NA -0.077 #> GroupB_1 chr10 105000 135462374 840 NA NA -0.054 #> 5 GroupB_1 chr11 130000 134873258 914 NA NA 0.081 #> 6 GroupB_1 chr12 172870 65175000 413 8.802509 1.958883e-16 -0.006 #> seg。中位数#> 1 -0.180 #> 2 0.621 #> 3 -0.070 #> 4 -0.050 #> 5 0.068 #> 6 -0.015头(CNV。write(cnv, what='probes')) #>染色体开始结束特征组b_1 #> 1 chr1 15864 15865 cg13869341 -0.064 #> 2 chr1 18826 18827 cg14008030 -0.321 #> 3 chr1 29406 29407 cg12045430 0.109 #> 4 chr1 29424 29425 cg20826792 -0.264 #> 5 chr1 29434 29435 cg00381604 -0.069 #> 6 chr1 68848 68849 cg20253340 -0.360

#> R version 4.2.0 RC (2022-04-21 r82226) #>平台:x86_64-pc-linux-gnu (64-bit) #>运行在:Ubuntu 20.04.4 LTS #> #>矩阵产品:默认#> BLAS: /home/biocbuild/bbs-3.16-bioc/R/lib/libRblas。所以#> LAPACK: /home/biocbuild/bbs-3.16-bio /R/lib/libRlapack。so #> #> locale: #> [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# > [3] LC_TIME=en_GB LC_COLLATE= c# > [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 #> [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# > [9] LC_ADDRESS=C LC_TELEPHONE= c# > [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION= c# > #>附加基础包:#> [1]parallel stats4 stats graphics grDevices utils datasets #>[8]方法基础#> #>其他附加包:# > [1] CopyNeutralIMA_1.15.0 # > [2] minfiData_0.43.0 # > [3] conumee_1.31.0 # > [4] IlluminaHumanMethylationEPICmanifest_0.3.0 # > [5] IlluminaHumanMethylationEPICanno.ilm10b2.hg19_0.6.0 # > [6] IlluminaHumanMethylation450kmanifest_0.4.0 # > [7] IlluminaHumanMethylation450kanno.ilmn12.hg19_0.6.1 # > [8] minfi_1.43.0 # > [9] bumphunter_1.39.0 # > [10] locfit_1.5 - 9.5 # > [11] iterators_1.0.14 # > [12] foreach_1.5.2 # > [13] Biostrings_2.65.0 # > [14] XVector_0.37.0 # > [15] SummarizedExperiment_1.27.0 # > [16]Biobase_2.57.0 #> [17] MatrixGenerics_1.9.0 #> [18] matrixStats_0.62.0 #> [19] genome icranges_1 .49.0 #> [20] GenomeInfoDb_1.33.0 # [21] IRanges_2.31.0 #> [22] S4Vectors_0.35.0 #> [23] BiocGenerics_0.43.0 #> [24] BiocStyle_2.25.0 #> #>通过命名空间加载(并且没有附加):# > [1] AnnotationHub_3.5.0 BiocFileCache_2.5.0 # > [3] plyr_1.8.7 splines_4.2.0 # > [5] BiocParallel_1.31.0 digest_0.6.29 # > [7] htmltools_0.5.2 magick_2.7.3 # > [9] fansi_1.0.3 magrittr_2.0.3 # > [11] memoise_2.0.1 tzdb_0.3.0 # > [13] limma_3.53.0 readr_2.1.2 # > [15] annotate_1.75.0 askpass_1.1 # > [17] siggenes_1.71.0 prettyunits_1.1.1 # > [19] blob_1.2.3 rappdirs_0.3.3 # > [21] rbibutils_2.2.8 xfun_0.30 # > [23] dplyr_1.0.8 crayon_1.5.1 # > [25] rcurl_1.98 - 1.6 jsonlite_1.8.0 # > [27] genefilter_1.79.0GEOquery_2.65.0 # > [29] survival_3.3-1 glue_1.6.2 # > [31] zlibbioc_1.43.0 DelayedArray_0.23.0 # > [33] Rhdf5lib_1.19.0 HDF5Array_1.25.0 # > [35] DBI_1.1.2 rngtools_1.5.2 # > [37] Rcpp_1.0.8.3 xtable_1.8-4 # > [39] progress_1.2.2 bit_4.0.4 # > [41] mclust_5.4.9 preprocessCore_1.59.0 # > [43] httr_1.4.2 RColorBrewer_1.1-3 # > [45] ellipsis_0.3.2 pkgconfig_2.0.3 # > [47] reshape_0.8.9 xml_3.99 - 0.9 # > [49] sass_0.4.1 dbplyr_2.1.1 # > [51] utf8_1.2.2 DNAcopy_1.71.0 # > [53] later_1.3.0 tidyselect_1.1.2 # > [55]rlang_1.0.2 AnnotationDbi_1.59.0 #> [57] BiocVersion_3.16.0 tools_4.2.0 #> [59] cachem_1.0.6 cli_3.3.0 #> [61] ExperimentHub_2.5.0 generics_0.1.2 #> [63] RSQLite_2.2.12 evaluate_0.15 #> [65] stringr_1.4.0 fastmap_1.1.0 #> [67] yaml_2.3.5 knitr_1.38 #> [69] bit64_4.0.5 beanplot_1.3.1 #> [71] scrime_1.3.5 purrr_0.3.4 #> [73] KEGGREST_1.37.0 nlme_3.1-157 #> [75] doRNG_1.8.2 sparseMatrixStats_1.9.0 #> [77] mime_0.12 nor1mix_1.3-0 #> [79] xml2_1.3.3 biomaRt_2.53.0 #> [81] compiler_4.2.0 interactiveDisplayBase_1.35.0 #> [83] filelock_1.0.2 curl_4.3.2 #> [85] png_0.1-7 tibble_3.1.6 #> [87] bslib_0.3.1 stringi_1.7.6 #> [89] highr_0.9 GenomicFeatures_1.49.0 #> [91] lattice_0.20-45 Matrix_1.4-1 #> [93] multtest_2.53.0 vctrs_0.4.1 #> [95] pillar_1.7.0 lifecycle_1.0.1 #> [97] rhdf5filters_1.9.0 BiocManager_1.30.17 #> [99] Rdpack_2.3 jquerylib_0.1.4 #> [101] data.table_1.14.2 bitops_1.0-7 #> [103] httpuv_1.6.5 rtracklayer_1.57.0 #> [105] R6_2.5.1 BiocIO_1.7.0 #> [107] promises_1.2.0.1 bookdown_0.26 #> [109] codetools_0.2-18 MASS_7.3-57 #> [111] assertthat_0.2.1 rhdf5_2.41.0 #> [113] openssl_2.0.0 rjson_0.2.21 #> [115] withr_2.5.0 GenomicAlignments_1.33.0 #> [117] Rsamtools_2.13.0 GenomeInfoDbData_1.2.8 #> [119] hms_1.1.1 quadprog_1.5-8 #> [121] grid_4.2.0 tidyr_1.2.0 #> [123] base64_2.0 rmarkdown_2.14 #> [125] DelayedMatrixStats_1.19.0 illuminaio_0.39.0 #> [127] shiny_1.7.1 restfulr_0.0.13