学习资源

作者

王诗翔

发布于

2026年4月23日

核心工具文档

Bioconductor 相关

资源 链接 说明
Bioconductor 官网 https://www.bioconductor.org/ Bioconductor 项目主站
maftools 文档 https://bioconductor.org/packages/maftools MAF 数据分析与可视化包
maftools 教程 https://bioconductor.org/packages/release/bioc/vignettes/maftools/inst/doc/maftools.html 详细使用教程（必读）
maftools GitHub https://github.com/PoisonAlien/maftools 源码和问题反馈
VariantAnnotation https://bioconductor.org/packages/VariantAnnotation 变异注释包
GenomicRanges https://bioconductor.org/packages/GenomicRanges 基因组区间数据处理
BiocManager https://bioconductor.org/packages/BiocManager 包管理工具

突变特征分析

资源 链接 说明
Sigminer GitHub https://github.com/ShixiangWang/sigminer 突变特征分析工具（作者开发）
Sigminer Book https://shixiangwang.github.io/sigminer-book/ 详细使用手册（必读）
COSMIC Signatures https://cancer.sanger.ac.uk/signatures/ 突变特征参考数据库
SigProfiler https://github.com/AlexandrovLab/SigProfilerExtractor Python版本特征分析工具

数据格式参考

资源 链接 说明
VCF 格式规范 https://www.internationalgenome.org/wiki/Analysis/vcf4.0/ VCF 文件格式详解
GDC MAF 格式 https://docs.gdc.cancer.gov/Data/File_Formats/MAF_Format/ GDC MAF 格式官方文档
vcf2maf 工具 https://github.com/mskcc/vcf2maf VCF 转 MAF 工具
GDC 数据门户 https://portal.gdc.cancer.gov/ TCGA 数据下载

学术文献

突变特征研究（必读）

  1. Alexandrov LB et al. (2020) - “The repertoire of mutational signatures in human cancer” - Nature
    • 突变特征的系统性研究，COSMIC 数据库基础
    • 链接
  2. Alexandrov LB et al. (2013) - “Signatures of mutational processes in human cancer” - Nature
    • 突变特征分析方法的奠基性论文
    • 链接
  3. Nik-Zainal S et al. (2016) - “Landscape of somatic mutations in 560 breast cancer whole-exome sequences” - Nature
    • 大规模突变特征应用实例
    • 链接

maftools 相关

  1. Mayakonda A et al. (2018) - “Maftools: efficient and comprehensive analysis of somatic variants in cancer” - Genome Medicine
    • maftools 包的介绍论文（必读）
    • 链接

Bioconductor 应用

  1. Obenchain V et al. (2014) - “VariantAnnotation: a Bioconductor package for exploration and annotation of genetic variants” - Bioinformatics
    • VariantAnnotation 包介绍
  2. Lawrence M et al. (2013) - “Software for computing and annotating genomic ranges” - PLoS Computational Biology
    • GenomicRanges 包介绍

肿瘤基因组综述

  1. Stratton MR et al. (2009) - “The cancer genome” - Nature
    • 肿瘤基因组基础综述
  2. Vogelstein B et al. (2013) - “Cancer genome landscapes” - Science
    • 癌症基因组全景综述（经典文献）

视频教程

资源 链接 说明
Bioconductor 入门 https://www.bioconductor.org/help/course-materials/ Bioconductor 官方课程材料
maftools 视频教程 YouTube搜索 “maftools tutorial” 示例操作演示
Sigminer 教程 https://shixiangwang.github.io/sigminer-book/ 包含详细代码示例

示例数据

课程使用的示例数据来源于 TCGA（The Cancer Genome Atlas）项目：

TCGA LAML 数据

  • TCGA LAML（急性髓系白血病）数据：包含白血病样本的突变和临床信息
  • 数据可通过 maftools 包内置数据获取或从 GDC 数据库下载
# 使用内置数据
laml.maf <- system.file("extdata", "tcga_laml.maf.gz", package = "maftools")
laml.clin <- system.file("extdata", "tcga_laml_annot.tsv", package = "maftools")

数据下载方式

  1. maftools内置：直接使用包内数据练习
  2. GDC门户：下载任意TCGA肿瘤类型的MAF文件
  3. TCGAbiolinks：使用R包自动下载
# 使用 TCGAbiolinks 下载
BiocManager::install("TCGAbiolinks")
library(TCGAbiolinks)

query <- GDCquery(
    project = "TCGA-LAML",
    data.category = "Simple Somatic Mutation"
)
GDCdownload(query)
maf_data <- GDCprepare(query)

拓展学习

基础知识补充

分子生物学基础：

  • DNA 结构与复制
  • 基因转录与翻译
  • 突变类型与效应

肿瘤生物学：

  • 肿瘤演化与克隆结构
  • 驱动基因与乘客突变
  • DNA损伤与修复机制

生物统计学：

  • 生存分析原理
  • 假设检验方法
  • 多重假设校正

编程技能

R 语言基础：

  • 数据类型：vector, matrix, data.frame
  • 函数编写与调试
  • 包管理与安装

R Markdown/Quarto：

  • 报告生成与格式化
  • 代码嵌入与结果展示
  • 多格式输出（HTML, PDF）

Git/GitHub：

  • 版本控制基础
  • 代码托管与分享
  • 协作开发流程

学习建议

学习路径

建议学生按以下顺序学习：

  1. 理论基础 → 学习讲座内容，建立概念框架
  2. 工具熟悉 → 阅读maftools和Sigminer文档
  3. 动手实践 → 跟随实验指导上机操作
  4. 拓展阅读 → 阅读推荐文献深入理解
  5. 独立分析 → 用自己的数据完成分析

实践建议

  • 使用不同数据集反复练习
  • 尝试修改代码参数观察变化
  • 将分析流程整理为可复用脚本
  • 记录遇到的问题和解决方案

问题解决

遇到问题时：

  1. 首先查阅官方文档
  2. 搜索GitHub Issues
  3. 尝试简化代码定位问题
  4. 与同学讨论交流

课程作业参考

完成课程作业时可参考以下资源：

Oncoplot绘制

参考 maftools 教程中的 oncoplot 部分： https://bioconductor.org/packages/release/bioc/vignettes/maftools/inst/doc/maftools.html#oncoplots

生存分析

参考 maftools 生存分析部分： https://bioconductor.org/packages/release/bioc/vignettes/maftools/inst/doc/maftools.html#survival-analysis

结果解读

  • 参考 COSMIC 数据库了解特征含义
  • 查阅文献理解基因生物学意义