1简介

的LowMACApackage是一套简单的工具，用于调查和分析cBioPortal提供的体细胞突变的概况cgdsr)．LowMACA通过统计评估在相同残基(或Pfam结构域中保守的残基)上积累的改变数量来评估体细胞突变的功能影响。例如，KRAS中已知的驱动突变G12、G13和Q61可以在RAS家族中其他蛋白(PF00071)如NRAS和HRAS的相应残基上找到，但也可以在突变频率较低的基因如RRAS和RRAS2中找到。相应的残基通过多序列比对得到。得益于这种方法，用户可以识别在单个蛋白水平上低频率发生但在Pfam水平上出现的新驱动突变。此外，已知驱动突变的影响可以转移到具有高度序列相似性的其他蛋白质上(如RAS家族的例子)。

您可以使用我们的软件包进行假设驱动的探索性分析，只需提供一组您感兴趣的基因和/或pfam结构域。用户可以选择肿瘤的种类和突变的类型(如错义、无义、移码等)。这些数据直接从最大的癌症测序项目中下载，并由LowMACA汇总，通过发现癌症样本队列中最保守的变异来评估体细胞突变可能的功能影响。通过一致性比对连接几个具有序列相似性的蛋白质，该包能够统计评估相同残基上突变的发生，并最终看到:

  • 突变落在哪里，涉及的域是什么
  • 畸变的频率是多少?哪种肿瘤类型比较有代表性
  • 突变是否会聚集在一起
  • 突变残基的保守程度是多少
  • 如果有新的驱动基因特别是驱动突变

2系统需求

LowMACA依赖于两个外部资源才能正常工作。

Clustal Omega是一个快速校准器，可以从上面的链接下载。对于Unix和Windows用户，请记住在PATH变量中包含" clustalo "。如果你不能在PATH中设置“clustalo”，你总是可以在创建一个LowMACA对象后在R中设置clustalo命令:

#给定一个LowMACA对象'lm' lm <- newLowMACA(基因=c("TP53"， "TP63"， "TP73")) lmParams(lm)$clustal_cmd <- "/your/path/to/clustalo"

如果您无法安装clustalomega，我们将提供EBI web服务的包装器(http://www.ebi.ac.uk/Tools/webservices/services/msa/clustalo \ _soap)．你只需要设置你的电子邮件设置部分解释，但你有2000个输入序列的限制，perl必须安装模块LWP和XML::Simple。

Ghostscript是postscript语言的解释器，也是R库grImport使用的pdf阅读器。

详情请点击这里:http://pgfe.umassmed.edu/BioconductorGallery/docs/motifStack/motifStack.html

LowMACA需要一个互联网连接到:

3.创建一个LowMACA对象

首先，我们必须定义我们想要分析的目标基因或pfam结构域。

3．1找到目标蛋白家族或pfam

库(LowMACA) #用户输入基因< - c(“ADNP”、“ALX1”,“ALX4”、“ARGFX”、“CDX4”、“CRX”、“CUX1”、“CUX2”、“DBX2”、“DLX5”、“DMBX1”、“DRGX”、“DUXA”、“ESX1”、“EVX2”、“HDX”、“HLX”、“HNF1A”、“HOXA1”、“HOXA2”、“HOXA3”、“HOXA5”、“HOXB1”、“HOXB3”、“HOXD3”、“ISL1”、“ISX”、“LHX8”)包含了< -“PF00046”
#构造对象lm <- newLowMACA(基因=基因，pfam= pfam)
##所有基因符号正确!
Str (lm, max.level=3)
##正式类“LowMACA”[包“LowMACA”]有4个插槽## ..@参数:7 ## .. ..$ genes: chr [1:28] "ADNP" "ALX1" "ALX4" "ARGFX"…## .. ..$ pfam: chr "PF00046" ## .. ..$ pfamAllGenes:'data.frame': 249 obs。7个变量:## .. ..$ input:'data.frame': 28 obs。7个变量:## .. ..$ mode: CHR“pfam”## .. ..$ params: 7 ## .. ..列表$ parallelize: 2 ## ..@ align: list() ## ..@ mutations: list() ## ..@熵:list()

现在我们创建了一个LowMACA对象。在这种情况下，我们想要分析同源域折叠pfam (PF00046)，考虑属于这个家族的28个基因。如果我们不指定pfam参数，LowMACA继续分析基因参数传递的整个蛋白质(我们只映射一个标准蛋白质，每个基因一个)。相反，如果我们不指定基因参数，LowMACA查找所有包含指定pfam的蛋白质，并只分析分配给该结构域的蛋白质部分。

3.2更改默认参数

LowMACA对象由四个槽组成。第一个位置是参数并且在对象创建时被填充。它包含与基因相关的蛋白质的Uniprot名称、氨基酸序列、所选域的开始和结束以及可以更改以开始分析的默认参数。

#查看默认参数lmParams(lm)
# # $ mutation_type # #[1]“错义”tumor_type美元# # # # # #[1]“all_tumors min_mutation_number美元# # # # # # [1]1 # # # # $ density_bw # # [1] clustal_cmd美元0 # # # # # #[1]“clustalo use_hmm美元# # # # # #[1]假# # # #美元基准# #[1]假
#更改一些参数#即使没有突变也接受序列lmParams(lm)$min_mutation_number <- 0 #更改选定的肿瘤类型#检查cBioPortal available_tumor_types中的可用肿瘤类型<- showTumorType() head(available_tumor_types)
##乳腺腺样囊性癌##“acbc”##“acc”##腺样囊性癌|腺样囊性癌项目##“acyc”##儿童急性髓系白血病|急性髓系白血病##“aml”##壶腹癌##“ampca”##血管肉瘤项目-把我算在|血管肉瘤项目##“angs”
#选择黑色素瘤，胃腺癌，子宫癌，肺腺癌，#肺鳞状细胞癌，结肠直肠腺癌和乳腺癌lmParams(lm)$tumor_type <- c("skcm"， "stad"， "ucec"， "luad"， "lusc"， "coadread"， "brca")

4设置

4．1对齐序列

lm <- alignSequences(lm)
##对齐序列…

这个方法基本上是自我解释的。它使对象中的序列对齐。如果您还没有安装clustalomega，您可以使用我们在R包中包装的clustalomega的web服务。限制被设置为2000个序列，并且比本地安装慢。记住在mail命令中输入您自己的电子邮件来激活该选项，因为这是EBI服务器所要求的。

lm <- alignSequences(lm, mail="lowmaca@gmail.com")
#访问槽对齐myalign <- lmalignant ment(lm) str(myalign, max. lm)Level =2, vec.len=2)
## 4 ## $ align:'data.frame': 1708 obs8个变量:## ..$ domainID:因子w/ 28级别“ARGFX|PF00046|503582|79;135”，..: 11 11 11 1…# # . .$ Gene_Symbol: chr [1:1708] "ARGFX" "ARGFX"…# # . .$ Pfam: chr [1:1708] "PF00046" "PF00046"…# # . .$ Entrez: chr[1:1708] "503582" "503582"…# # . .$ Envelope_Start: num [1:1708] 79 79 79 79 79 ... ## ..$ Envelope_End : num [1:1708] 135 135 135 135 135 ... ## ..$ Align : int [1:1708] 1 2 3 4 5 ... ## ..$ Ref : num [1:1708] 79 80 81 82 83 ... ## $ SCORE :List of 2 ## ..$ DIST_MAT : num [1:28, 1:28] NA 36.4 ... ## .. ..- attr(*, "dimnames")=List of 2 ## ..$ SUMMARY_SCORE:'data.frame': 28 obs. of 4 variables: ## $ CLUSTAL :Formal class 'AAMultipleAlignment' [package "Biostrings"] with 3 slots ## $ df :'data.frame': 61 obs. of 2 variables: ## ..$ consensus : chr [1:61] "R" "R" ... ## ..$ conservation: num [1:61] 0.411 0.456 ...
  • 对齐:从原始位置映射到共识位置
  • 分数:序列之间距离的分数
  • classtal:类对象AAMultipleAlignment由Biostrings R包提供
  • df:每个位置的一致序列和保守三叉戟评分

4.2获取突变和映射突变

lm <- getMutations(lm)
##从癌症研究中获得突变…
ProfileId brca_mbcproject_wagle_2017没有突变样本
lm <- mapMutations(lm)

这些命令在插槽突变中产生一个变化，并从R cgdsr包中提供结果。

#访问插槽突变myMutations <- lmMutations(lm) str(myMutations, vec. str)Len =3, max.level=1)
## $ data:'data.frame': 3584 obs8个变量:## $ freq:'data.frame': 7 obs。## $ aligned: num[1:28, 1:61] 0 0 1 0 0 1 1 0…# # . .- attr(*， "dimnames")= 2的列表
  • 数据:提供从cBioPortal中选择的突变，按基因和患者/肿瘤类型划分
  • Freq:按基因和肿瘤类型包含突变患者绝对数量的表格(这有助于探索您的基因在不同肿瘤类型中的突变情况)
  • 对齐:m行，蛋白质或pfam矩阵，n列，从原始位置到新共识的突变映射得到的共识位置

如果我们想要根据肿瘤类型划分的突变数量来检查哪些是最具代表性的基因，我们可以简单地运行:

显示第一个基因myMutationFreqs[， 1:10]
# # StudyID Total_Sequenced_Samples ADNP ALX1 ALX4 ARGFX CDX4 CRX CUX1 CUX2 brca # # 211 29日6 7 4 5 365年11 22日25 # # 2 coadread 35 75年11 28 9 7日19 67 # # 3 luad 408 10 16 14 12 69年23日19日38 # # 4 lusc 233 6 12 10 7 10 8 30 32 # # 5 skcm 390 23 7 19 77年39 23日27日113 # # 6 stad 204 15 13 12 3 13 17 41 30 # # 7 ucec 207 46 25 22 9 32 93 44

这对于将来的分层分析很有用。

4.３整个设置

为了简化这个设置过程，您可以直接使用命令setup一次性启动alignSequences、getMutations和mapMutations

#本地安装clustalo lm <- setup(lm) #Web Service lm <- setup(lm, mail="lowmaca@gmail.com")

4.4自定义数据

如果你有自己的数据，你不需要依赖cgdsr包，你可以使用getMutations或setup方法，带参数repos，像这样:

#重用下载的数据作为一个玩具示例myOwnData <- myOwnData $data # myOwnData应该是什么样的参数repos str(myMutations$data, vc .len=1)
## 'data.frame': 3584 obs。## $ Entrez: int 1046 1046…## $ Gene_Symbol: chr "CDX4"…## $ Amino_Acid_Letter: chr“S”…## $ Amino_Acid_Position: num 245 174…## $ Amino_Acid_Change: chr "S245L"…## $ Mutation_Type: chr "Missense_Mutation"…## $样本:chr“TCGA-AO-A125”…## $ Tumor_Type: chr "brca"…
#读取突变数据存储库，而不是使用cgdsr包#按照步骤lm <- getMutations(lm, repos=myOwnData)
##从本地存储库过滤突变…
#一次性安装lm <- Setup (lm, repos=myOwnData)
##对齐序列…##从本地存储库过滤突变…

5统计数据

在这一步中，我们计算整个共识概要的一般统计数据

Lm <-熵(Lm)
##制作制服模型…
##分配带宽:0
#全局得分myEntropy <- lmEntropy(lm) str(myEntropy)
## $ bw: num 0 ## $ uniform:function (nmut) ## $ absval: num 3.7 ## $ log10pval: num -27.9 ## $ pvalue: num 1.14e-28 ## $ conservation_thr: num 0.1
#每个位置得分头(myalign $df)
##共识保护## 1 R 0.4110988 ## 2 R 0.4558683 ## 3 R 0.1505496 ## 4 R 0.9493924 ## 5 T 0.6493677 ## 6 A 0.3113640

使用熵方法，我们计算熵得分和针对零假设的p值，即突变随机分布在我们的共识蛋白上。此外，对共识的每个位置执行测试，并在插槽中报告输出对齐．位置4的保守评分为0.88(高度保守)，修正后的p值显著(q值低于0.01)。4.有积极选择的迹象。为了检索生成该集群的原始突变，我们可以使用函数lfm

显示形成重要簇的原始突变(列Multiple_Aln_pos)
# # # # Gene_Symbol Amino_Acid_Position Amino_Acid_Change样本184 ALX1 R184K TCGA-17-Z018 # # 184 ALX1 R184M luad_mskcc_2015_11 # # 216 R216Q ALX4 brca_smc_2018_BB01_036 # # 4 ALX4 265 R265Q TCGA-D8-A1Y1 # # 218 ALX4 R218W coadread_dfci_2016_2354 # # 6 ALX4 218 R218Q coadread_dfci_2016_2227 # # Tumor_Type Envelope_Start Envelope_End Multiple_Aln_pos度量Entrez 56 # # 1 luad 133 189 6.571441 e-05 8092 # # 2 luad 133 189 56 6.571441 e-05 8092 # # 3 brca 215 271 2 6.123099 e-04 60529 # # 4 brca 215271 55 1.048675 e-02 60529 # # 5 coadread 215 271 4 1.192277 e-16 60529 # # 6 coadread 215 271 60529 1.192277 e-16 UNIPROT染色体Protein.name # # 1 # #条目Q15699 ALX1_HUMAN 12 q21.31 ALX同源框蛋白1 # # 2 Q15699 ALX1_HUMAN 12 q21.31 ALX同源框蛋白1 # # 3 Q9H161 ALX4_HUMAN 11 p11.2同源框蛋白aristaless-like 4 # # 4 Q9H161 ALX4_HUMAN 11 p11.2同源框蛋白aristaless-like 4 # # 5 Q9H161 ALX4_HUMAN 11 p11.2同源框蛋白aristaless-like 4 # # 6 Q9H161 ALX4_HUMAN 11 p11.2同源框protein aristaless-like 4
共识中第4位的突变基因是什么?genes_mutated_in_pos4 <- signant_muts [signant_muts $Multiple_Aln_pos==4， 'Gene_Symbol']
排序(表(genes_mutated_in_pos4))
## genes_mutated_in_pos4 ## DBX2 DLX5 HOXB3 ISL1 LHX8 CUX1 EVX2 HOXA3 HOXA5 ALX4 CDX4 CRX HDX ## 1 1 1 1 22 22 3 3 3 ## HOXD3 DUXA HOXA1 ISX ## 4 6 9 22

位置4解释了13个不同基因的突变。最具代表性的是ISX (ISX_HUMAN，肠道特异性homeobox protein)。

6情节

6.1共识条形图

bpAll (lm)

此barplot显示了所有在一致序列上报告的突变(按蛋白/pfam结构域划分)

6.2LowMACA综合地块

lmPlot (lm)

这个四层图包括:

  • 柱状图之前可视化
  • 与零假设相对的突变分布(蓝色线)，橙色条表示该位置的p值低于0.05，红星表示q值低于0.05
  • 三叉戟得分分布
  • 代表共识序列的标志图

6.3普罗特的阴谋

#此绘图被保存为png图像在临时文件tmp <- tempfile(pattern = "homeobox_protter"， fileext = ".png") protter(lm, filename=tmp)

向Protter服务器发送一个请求并下载一个png文件，其中包含蛋白质的可能序列结构和用橙色和红色表示的重要位置

7数据驱动工作流

另一种用法LowMACA包括分析所有pfam和由一组特定突变所包含的单个序列。例如，根据LowMACA统计数据，可以分析来自一组患者的突变，以查看哪些Pfams和一组突变得到了富集。这个函数allPfamAnalysis作为输入data.frame或包含突变集的文件的名称，分析所表示的所有pfam，并将所有重要突变作为输出报告。此外，函数allPfamAnalysis单独分析所有突变基因，并报告该分析发现的重要突变作为输出的一部分。

#加载Homeobox示例数据(lmObj) #提取对象内部的数据作为玩具示例myData <- lmMutations(lmObj)$data #对每个突变执行allPfamAnalysis(significant_muts <- allPfamAnalysis(repos=myData)
mapMutations(object)中的警告:我们排除了这些基因(或域)，因为它们的突变少于1个
# #空
##在.clustalOAlign(genesData, clustalo_cmd, clustalo_filename, mail，: ##有少于3个序列对齐，所以没有距离矩阵可以计算
## .clustalOAlign(genesData, clustal_cmd, clustalo_filename, mail，: ##对齐的序列少于3个，因此无法计算距离矩阵## .clustalOAlign(genesData, clustal_cmd, clustalo_filename, mail，: ##对齐的序列少于3个，因此无法计算距离矩阵
mapMutations(object)中的警告:我们排除了这些基因(或域)，因为它们的突变少于1个
# #空
显示基于分析头的对齐结果(signant_muts $ aligndsequence)
# # Gene_Symbol Multiple_Aln_pos Pfam_ID binomialPvalue Amino_Acid_Position ALX4 4 PF00046 0.8329828 # # 218 # # 2 CDX4 4 PF00046 CDX4 4 PF00046 0.5009311 0.5009311 177 # # 177 # # 4 CDX4 PF00046 0.5009311 CUX1 4 PF00046 0.1908599 # # 1248 # 177 # 1248 # # Amino_Acid_Change CUX1 4 PF00046 0.1908599样本Tumor_Type Envelope_Start Envelope_End # # 1 R218Q tcga - aa - 3949 - 01 coadread 215 271 # # 2 R177C TCGA-D3-A2JO-06 skcm 174 230 # # 3 R177C TCGA-AP-A0LM-01 ucec 174 230 # # 4 R177C梅尔- ma -梅尔- 85skcm 174 230 # # 5 R1248W TCGA-ER-A193-06 skcm 1245 1301 # # 6 R1248W TCGA-BG-A18B-01 ucec 1245 1301 # #度量Entrez条目UNIPROT染色体# # 60529 1.642171 e-12 Q9H161 ALX4_HUMAN 11 p11.2 # # 2 1.642171 e-12 1046 O14627 CDX4_HUMAN Xq13.2 # # 3 1.642171 e-12 1046 O14627 CDX4_HUMAN Xq13.2 # # 4 1.642171 e-12 1046 O14627 CDX4_HUMAN Xq13.2 # # 1523 1.642171 e-12 P39880 CUX1_HUMAN 7 q22.1 # # 6 1.642171 e-12 1523 P39880 CUX1_HUMAN 7 q22.1 # # 1 # # Protein.name同源框蛋白aristaless-like 4 # # 2同源框protein CDX-4 ## 3 Homeobox protein CDX-4 ## 4 Homeobox protein CDX-4 ## 5 Homeobox protein cut-like 1 ## 6 Homeobox protein cut-like 1
#显示所有具有显著突变的基因(significant_muts$AlignedSequence$Gene_Symbol)
# #[1]“ALX4”“CDX4”“CUX1”“DBX2”“DUXA”“EVX2”“HDX”“HOXA1”“HOXA5”# #[10]“HOXD3”“ISL1”“ISX”“LHX8”
#显示基于单基因分析头的结果(significant_muts$SingleSequence)
1 .基因符号-氨基酸位置-氨基酸变化Duxa 103 r103q ## pf00046.duxa.2Duxa 103 r103l ## pf00046.duxa.3Duxa 103 r103q ## pf00046.duxa.4Duxa 17 r17h ## pf00046.duxa.56. Duxa . 5DUXA.1 .DUXA.1TCGA-A8-A094-01 brca 102 156 ## PF00046.DUXA.2luad - s00488 luad 102 156 ## PF00046.DUXA.3TCGA-B5-A11E-01 ucec 102 156 ## PF00046.DUXA.4 TCGA-D1-A0ZS-01 ucec 16 70 ## PF00046.DUXA.5 TCGA-60-2722-01 lusc 102 156 ## PF00046.DUXA.6 587284 coadread 102 156 ## Multiple_Aln_pos metric Entrez Entry UNIPROT Chromosome ## PF00046.DUXA.1 2 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## PF00046.DUXA.2 2 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## PF00046.DUXA.3 2 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## PF00046.DUXA.4 2 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## PF00046.DUXA.5 4 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## PF00046.DUXA.6 4 0.03480279 503835 A6NLW8 DUXA_HUMAN 19q13.43 ## Protein.name ## PF00046.DUXA.1 Double homeobox protein A ## PF00046.DUXA.2 Double homeobox protein A ## PF00046.DUXA.3 Double homeobox protein A ## PF00046.DUXA.4 Double homeobox protein A ## PF00046.DUXA.5 Double homeobox protein A ## PF00046.DUXA.6 Double homeobox protein A
#显示所有具有显著突变的基因(significant_muts$SingleSequence$Gene_Symbol)
##[1]“duxa”

的参数allLowMACAObjects可用于指定存储所有Pfam分析的文件名(默认情况下不存储此信息，因为根据输入数据集的大小，生成的文件可能很大)。在这种情况下，所有分析的pfam存储为LowMACA对象，它们可以加载和分析通常LowMACA工作流。

8总结

复制并粘贴到R控制台上，然后自己执行整个分析。你需要Ghostscript才能看到所有的情节。

库(LowMACA)基因< - c(“ADNP”、“ALX1”,“ALX4”、“ARGFX”、“CDX4”、“CRX”、“CUX1”、“CUX2”、“DBX2”、“DLX5”、“DMBX1”、“DRGX”、“DUXA”、“ESX1”、“EVX2”、“HDX”、“HLX”、“HNF1A”、“HOXA1”、“HOXA2”、“HOXA3”、“HOXA5”、“HOXB1”、“HOXB3”、“HOXD3”、“ISL1”、“ISX”、“LHX8”)包含了< -“PF00046 lm < - newLowMACA(基因=基因,包含了=)包含了lmParams (lm) tumor_type < - c(“skcm”、“stad”、“ucec”、“luad”、“lusc”、“coadread”、“brca”)lmParams (lm) $ min_mutation_number < - 0 lm < -设置(lm,mail="lowmaca@gmail.com") lm <-熵(lm) lfm(lm) bpAll(lm) lmPlot(lm) protter(lm)

9会话信息

sessionInfo ()
## R版本4.2.1(2022-06-23)##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 20.04.5 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.16-bioc/R/lib/libRblas。/home/biocbuild/bbs-3.16-bioc/R/lib/libRlapack。所以## ## 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_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基本包:## [1]stats graphics grDevices utils datasets methods基础## ##其他附加包:## [1]LowMACA_1.28.0 BiocStyle_2.26.0 ## ##通过命名空间加载(且未附加):[15] GO.db_3.16.0 AnVIL_1.10.0 # [17] fansi_1.0.3 magrittr_2.0.3 # [23] memoise_2.0.1 BSgenome_1.66.0 # [25] grImport2_0.2-0 tzdb_0.3.0 # [23] limma_3.54.0 annotate_1.76.0 ## [5] BiocParallel_1.32.0 TCGAutils_1.18.0 # [7] gridBase_0.4-7 GenomeInfoDb_1.34.0 ## [7] ggplot2_3.3.6 TFBSTools_1.36.0 ## [11] digest_0.6.30 htmltools_0.5.3 ## [13] cBioPortalData_2.10.0 magick_2.7.3 ## [15] GO.db_3.16.0 AnVIL_1.10.0 ## [15] memoise_2.0.1 BSgenome_1.66.0 ## [25] Biostrings_2.66.0 readr_2.1.3 ## #[27] matrixStats_0.62.0 R.utils_2.12.1 # # [29] prettyunits_1.1.1 jpeg_0.1-9 # # [31] colorspace_2.0-3 blob_1.2.3 # # [33] rvest_1.0.3 rappdirs_0.3.3 # # [35] xfun_0.34 dplyr_1.0.10 # # [37] crayon_1.5.2 rcurl_1.98 - 1.9 # # [39] jsonlite_1.8.3 TFMPvalue_0.0.9 # # [41] RaggedExperiment_1.22.0 survival_3.4-0 # # [43] glue_1.6.2 GenomicDataCommons_1.22.0 # # [45] gtable_0.3.1 zlibbioc_1.44.0 # # [47] XVector_0.38.0 DelayedArray_0.24.0 # # [49] BiocGenerics_0.44.0 scales_1.2.1 # # [51] futile.options_1.0.1DBI_1.1.3 # # [53] miniUI_0.1.1.1 Rcpp_1.0.9 # # [55] xtable_1.8-4 progress_1.2.2 # # [57] bit_4.0.4 stats4_4.2.1 # # [59] DT_0.26 htmlwidgets_1.5.4 # # [61] httr_1.4.4 RColorBrewer_1.1-3 # # [63] ellipsis_0.3.2 R.methodsS3_1.8.2 # # [65] pkgconfig_2.0.3 xml_3.99 - 0.12 # # [67] rapiclient_0.1.3 sass_0.4.2 # # [69] dbplyr_2.2.1 utf8_1.2.2 # # [71] rjsonio_1.3 - 1.6 tidyselect_1.2.0 # # [73] rlang_1.0.6 reshape2_1.4.4 # # [75] later_1.3.0 AnnotationDbi_1.60.0 # # [77] munsell_0.5.0 tools_4.2.1 # # [79][81] dirichletmultimial_1.40.0 generics_0.1.3 ## [83] RSQLite_2.2.18 ade4_1.7-19 ## [85] evaluate_0.17 string_1 .4.1 ## [87] fastmap_1.1.0 yaml_2.3.6 ## [89] knitr_1.40 bit64_4.0.5 ## [91] caTools_1.18.2 purrr_0.3.5 ## [93] KEGGREST_1.38.0 mime_0.12 ## [95] formatR_1.12 R.oo_1.25.0 ## [97] poweRlaw_0.70.6 pracma_2.4.2 ## [99] xml2_1.3.3 biomaRt_2.54.0 ## [101] compiler_4.2.1 filelock_1.0.2 ## [103] curl_4.3.3 bslib_0.4.0 ## [107]stringi_1.7.8 LowMACAAnnotation_0.99.3 ## [109] highr_0.9 futil .logger_1.4.3 ##[111]基因组feature_1 .50.0 lattice_0.20-45 ## [115] RTCGAToolbox_2.28.0 vctrs_0.5.0 ## [117] pillar_1.8.1 lifecycle_1.0.3 ## [119] BiocManager_1.30.19 jquerylib_0.1.4 ## [121] data.table_1.14.4 bitops_1.0-7 ## [123] httpuv_1.6.6 rtracklayer_1.58.0 ## [127] biocio_1 .50.0 bookdown_0.29 ## [129] promises_1.2.0.1 IRanges_2.32.0 ## [131] motifStack_1.42.0 codetools_0.2-18 ## [133] lambda.r_1.2.4 MASS_7.3-58.1 ## [135] gtools_3.9.3 assertthat_0.2.1 ## [137] seqLogo_1.64.0 SummarizedExperiment_1.28.0 ## [139] rjson_0.2.21 GenomicAlignments_1.34.0 ## [141] Rsamtools_2.14.0 S4Vectors_0.36.0 ## [143] GenomeInfoDbData_1.2.9 parallel_4.2.1 ## [145] hms_1.1.2 MultiAssayExperiment_1.24.0 ## [147] grid_4.2.1 tidyr_1.2.1 ## [149] rmarkdown_2.17 MatrixGenerics_1.10.0 ## [151] base64enc_0.1-3 Biobase_2.58.0 ## [153] shiny_1.7.3 restfulr_0.0.15