利用R实现乳腺癌样本的分子分型

1. 背景

癌症并不是一种疾病，而更多地是多种疾病的集合。不同癌症病人的疾病进展，对治疗的响应，包括复发的几率都有所不同。从这种意义上讲，每个癌症都是独特的，带有自己的基因背景和体突变的演化轨迹。所以癌症的多样性对癌症的治疗有着重要的影响。对癌症样本进行分类可以帮助我们更好地理解疾病的进程，并且有助于在将来开展个体化的医治。

乳腺癌的分子分型主要是从肿瘤样本的转录组测序数据出发，对肿瘤样本进行分类。目前普遍接受的分子分型主要有四种，分别是LumA，LumB，HER2和Basal。对应的预后和推荐疗法也有所不同（见下表）

Type	ER/PR	HER2	Prolif	Recommended treatment
Luminal A	+	-	-	E
Luminal B	+	+/-	+	E+C(+H)
HER2 positive	-	+		C+H
Basal-like	-	-		C

其中E是激素疗法，C是传统化疗，H是HER2抑制剂。

2.软件配置

注意使用R3.3.0以上版本。我原来的版本是R3.2.5，以至于吃了不少亏。多数package还是来自于bioconductor。分型需要直接使用的包是genefu。利用如下语句进行安装。

source("http://www.bioconductor.org/biocLite.R")
biocLite("genefu")

当然如果真用了上述语句，下载的速度会痛不欲生，推荐使用中科大的bioconductor镜像，在中间加入

options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")

这个包有很多dependency，反正就是报错要什么就装什么。R的package管理也是乱，我都是用biocLite，依次装的包有SuppDists, bootstrap, rmeta, survivalROC, mclust, iC10, AIMS, amap。安装好以上的包就可以正常使用genefu了。

3.分型

首先import data。这里采用的数据是著名的Wang dataset，包含286个乳腺癌样本。测序平台是Affy家的HGU133A。

pure_data <- read.delim(path, header=FALSE, stringsAsFactors=FALSE)
d<-data.matrix(pure_data)
gene <- read.delim(path_gene)

其中d是原始的探针数据，gene是不同探针（probe）对应的gene_id和gene name。然后使用genefu库并按要求准备数据。

library("genefu")
gene$probe = gene$PROBEID
gene$EntrezGene.ID = gene$ENTREZID
dimnames(d) <- gene$PROBEID

genefu要求annotation变量包含EntrezGene.ID列和probe列，用来map基因。接下来我们对表达谱数据做normalization。

d = log(d)
d = scale(d)

然后就可以进行分型了。

cc<- molecular.subtyping(sbt.model = "ssp2006",data = d, annot = gene,do.mapping = TRUE)

这里分型采用的是Hu et al 2006提出的SSP方法。

最后可以将结果进行输出。

csub<-apply(cc$subtype.proba, 1, function(t) colnames(cc$subtype.proba)[which.max(t)])
csub = data.frame(as.list(csub),stringsAsFactors=FALSE)
write.table(csub, "D:/SSP06_subtyping.txt", sep="\t")