1. سنقوم بتهيئة بيئة العمل، ثم نحمّل الحزم البرمجية التي سنحتاج إليها أثناء هذه الورشة.


library(maftools): حزمة قوية في لغة R مخصصة لتحليل بيانات Mutational Annotation Format (MAF) الخاصة بالتحليلات الجينومية (خصوصًا بيانات الطفرات الجسدية من تقنيات الـ NGS). تُستخدم الحزمة بكثرة في مجال المعلوماتية الحيوية (Bioinformatics) لتلخيص بيانات الطفرات، واستخراج إحصاءات، وإنشاء رسومات بيانية تفاعلية/استكشافية. للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:

👈 https://github.com/PoisonAlien/maftools

library(ggplot2): يقوم هذا الأمر بتحميل الحزمة ggplot2، وهي نظام قوي ومرن لإنشاء رسوم بيانية ثابتة في لغة R. للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:

👈 https://ggplot2.tidyverse.org/

library(skimr): حزمة مخصّصة لتوليد ملخصات وصفية سريعة وثرية للبيانات (summary statistics) بطريقة منظمة وسهلة القراءة.للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:

👈 https://docs.ropensci.org/skimr

library(dplyr): زمة قوية ومستخدمة على نطاق واسع في لغة R لمعالجة البيانات (data manipulation).للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:

👈 https://dplyr.tidyverse.org

library(tidyverse): تُحمِّل مجموعة متكاملة من الحزم المصممة لتسهيل تحليل البيانات في R.للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:

👈 https://www.tidyverse.org

تثبيت الحزم البرمجية (خطوة اختيارية لمرة واحدة فقط)

⚠️ ملاحظة: هذه الخطوة مهمة فقط إذا لم تكن الحزم مثبتة مسبقًا على جهازك.
بعد التثبيت لمرة واحدة، يمكن تجاهلها والاكتفاء باستخدام library() لاحقًا.

# تثبيت الحزم من CRAN
#install.packages("maftools")
#install.packages("dplyr")
#install.packages("skimr")
#install.packages("tidyverse")
#install.packages("ggplot2")

# إذا أردت تثبيت حزم من Bioconductor (لمجالات البيوانفورماتكس):
#if (!requireNamespace("BiocManager", quietly = TRUE))
#    install.packages("BiocManager")
#BiocManager::install("maftools")
library(maftools)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(skimr)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ readr     2.1.5
## ✔ ggplot2   3.5.1     ✔ stringr   1.5.1
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggplot2)

📺 لمشاهدة شرح تثبيت الحزم من CRAN / GitHub / Bioconductor:
طريقة تثبيت الحزم في R


2. قراءة البيانات الوصفية (metadatat)، والتعرف عليها، ورسمها كملخصات


1️⃣ قراءة البيانات الوصفية والاكلينيكية:


💡 ماذا نقصد بال Metadata؟ 🤔
البيانات الوصفية أو Metadata هي معلومات تصف البيانات نفسها وتساعدنا على فهم محتواها قبل التحليل.
ببساطة، يمكن اعتبارها “بيانات عن البيانات”.

في سياق بيانات مرضى سرطان الثدي، تشمل البيانات الوصفية على سبيل المثال أعمدة مثل gender الذي يوضح جنس المريض، و age_at_diagnosis الذي يبين عمر المريض عند التشخيص، و vital_status الذي يعرض الحالة الحيوية للمريض سواء كان حيًا أو متوفى، و pathologic_stage الذي يوضح المرحلة المرضية للسرطان، و histological_type الذي يبين نوع الورم نسيجيًا.

الهدف من قراءة البيانات الوصفية هو معرفة معنى كل عمود قبل البدء بالتحليل، والتعرف على أنواع المتغيرات سواء كانت رقمية أو نصية أو تواريخ، وكذلك اكتشاف القيم المفقودة أو غير الصحيحة في البيانات.
مثال توضيحي: إذا كانت لدينا قاعدة بيانات تحتوي على معلومات المرضى، فإن Metadata تخبرنا أن هذا العمود يمثل الجنس، وهذا العمود يمثل المرحلة المرضية، وهكذا.

# قراءة البيانات من رابط خارجي
url <- "https://raw.githubusercontent.com/Dalah-Info/health-info-bioinformatics-r/refs/heads/main/metadata/breast_tumor_metadata.csv"
Breast_tumor_metadata <- read.csv(url)

# استكشاف البيانات عن طريق عرض أول 6 صفوف من البيانات
head(Breast_tumor_metadata)

2️⃣ معرفة عدد الأعمدة والصفوف، حيث:


الأعمدة: عدد البيانات الوصفية والاكلينية التي تم جمعها.
الصفوف: عدد المرضى.

# حساب عدد الأعمدة (عدد المتغيرات أو الخصائص التي لدينا عن المرضى)
print(paste("Number of clinical data:", ncol(Breast_tumor_metadata)))
## [1] "Number of clinical data: 51"
# حساب عدد الصفوف (عدد المرضى في قاعدة البيانات)
print(paste("Number of patients:", nrow(Breast_tumor_metadata)))
## [1] "Number of patients: 1099"

📺 لمراجعة الأساسيات وأنواع البيانات والمتغيرات في R:
أنواع البيانات والمتغيرات في R


3️⃣ تنظيف البيانات

سنقوم بقراءة جميع الأعمدة وتلخيصها، وذلك بهدف تحديد الأعمدة التي ينبغي إزالتها، مثل:

  • الأعمدة التي تحتوي على بيانات مفقودة بنسبة تتجاوز 50% (قد تكون القيم المفقودة مسجّلة كمسافة بيضاء، أو NA، أو فارغة).

  • الأعمدة غير المفيدة للتحليل، مثل أعمدة تاريخ الإدخال أو التسجيل.

  • الأعمدة التي تحتوي على قيمة واحدة مكررة لجميع المرضى.

لاكتشاف هذه الحالات بسهولة، سنستخدم حزمة skimr التي توفّر ملخصًا شاملًا لكل عمود في ملف البيانات، مما يساعد على تحديد الأعمدة الفارغة أو غير المهمة.

skimr::skim(Breast_tumor_metadata)
Data summary
Name Breast_tumor_metadata
Number of rows 1099
Number of columns 51
_______________________
Column type frequency:
character 44
logical 4
numeric 3
________________________
Group variables None

Variable type: character

skim_variable n_missing complete_rate min max empty n_unique whitespace
bcr_patient_uuid 0 1 36 36 0 1099 0
bcr_patient_barcode 0 1 12 12 0 1099 0
acronym 0 1 4 4 0 1 0
gender 0 1 4 6 0 2 0
vital_status 0 1 4 5 0 2 0
days_to_birth 0 1 5 15 0 1048 0
days_to_death 0 1 3 16 0 150 0
days_to_last_followup 0 1 1 15 0 777 0
icd_10 0 1 5 7 0 7 0
tissue_retrospective_collection_indicator 0 1 2 15 0 3 0
icd_o_3_histology 0 1 6 6 0 22 0
tissue_prospective_collection_indicator 0 1 2 15 0 3 0
history_of_neoadjuvant_treatment 0 1 2 15 0 3 0
icd_o_3_site 0 1 5 5 0 6 0
tumor_tissue_site 0 1 6 6 0 1 0
new_tumor_event_after_initial_treatment 0 1 2 15 0 4 0
radiation_therapy 0 1 2 15 0 5 0
race 0 1 5 32 0 6 0
project_code 0 1 4 15 0 2 0
prior_dx 0 1 2 13 0 3 0
disease_code 0 1 4 15 0 2 0
ethnicity 0 1 9 22 0 5 0
person_neoplasm_cancer_status 0 1 9 15 0 4 0
patient_id 0 1 4 4 0 1099 0
year_of_initial_pathologic_diagnosis 0 1 4 15 0 27 0
histological_type 0 1 14 32 0 9 0
tissue_source_site 0 1 2 2 0 40 0
form_completion_date 0 1 8 10 0 315 0
pathologic_T 0 1 2 3 0 13 0
pathologic_M 0 1 2 8 0 4 0
clinical_M 0 1 16 16 0 1 0
pathologic_N 0 1 2 9 0 16 0
system_version 0 1 3 15 0 6 0
pathologic_stage 0 1 7 15 0 13 0
clinical_stage 0 1 16 16 0 1 0
clinical_T 0 1 15 15 0 1 0
clinical_N 0 1 16 16 0 1 0
extranodal_involvement 0 1 16 16 0 1 0
postoperative_rx_tx 0 1 2 15 0 4 0
lymph_node_examined_count 0 1 1 15 0 43 0
primary_lymph_node_presentation_assessment 0 1 2 15 0 4 0
initial_pathologic_diagnosis_method 0 1 13 43 0 9 0
number_of_lymphnodes_positive_by_he 0 1 1 15 0 32 0
anatomic_neoplasm_subdivision 0 1 4 113 0 53 0

Variable type: logical

skim_variable n_missing complete_rate mean count
primary_therapy_outcome_success 1099 0 NaN :
eastern_cancer_oncology_group 1099 0 NaN :
residual_tumor 1099 0 NaN :
tumor_thickness 1099 0 NaN :

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
X 0 1 550.00 317.40 1 275.5 550 824.5 1099 ▇▇▇▇▇
days_to_initial_pathologic_diagnosis 0 1 0.00 0.00 0 0.0 0 0.0 0 ▁▁▇▁▁
age_at_initial_pathologic_diagnosis 0 1 58.43 13.22 26 49.0 58 67.0 90 ▁▆▇▅▂

نقوم الآن بإزالة الأعمدة ذات الإشكال لنركز على الأعمدة المهمة فقط.

# أعمدة لا تحتوي على قيم
Breast_tumor_metadata$primary_therapy_outcome_success <- NULL 
Breast_tumor_metadata$eastern_cancer_oncology_group <- NULL
Breast_tumor_metadata$residual_tumor <- NULL
Breast_tumor_metadata$tumor_thickness <- NULL

#عمود يحتوي على قيمة واحدة فقط لكل المرضي (لا يعطي أي معلومة)
Breast_tumor_metadata$days_to_initial_pathologic_diagnosis <- NULL

عدد الأعمدة الوصفية بعد إزالة الأعمدة غير المهمة:

# عرض عدد الأعمدة المتبقية بعد إزالة الأعمدة غير المفيدة
print(paste("Number of clinical data:", ncol(Breast_tumor_metadata)))
## [1] "Number of clinical data: 46"

نقرأ أسماء الأعمدة ونسكتشف ونرسم بعضها:

# عرض أسماء الأعمدة الموجودة في البيانات بعد التنظيف
colnames(Breast_tumor_metadata)
##  [1] "X"                                         
##  [2] "bcr_patient_uuid"                          
##  [3] "bcr_patient_barcode"                       
##  [4] "acronym"                                   
##  [5] "gender"                                    
##  [6] "vital_status"                              
##  [7] "days_to_birth"                             
##  [8] "days_to_death"                             
##  [9] "days_to_last_followup"                     
## [10] "age_at_initial_pathologic_diagnosis"       
## [11] "icd_10"                                    
## [12] "tissue_retrospective_collection_indicator" 
## [13] "icd_o_3_histology"                         
## [14] "tissue_prospective_collection_indicator"   
## [15] "history_of_neoadjuvant_treatment"          
## [16] "icd_o_3_site"                              
## [17] "tumor_tissue_site"                         
## [18] "new_tumor_event_after_initial_treatment"   
## [19] "radiation_therapy"                         
## [20] "race"                                      
## [21] "project_code"                              
## [22] "prior_dx"                                  
## [23] "disease_code"                              
## [24] "ethnicity"                                 
## [25] "person_neoplasm_cancer_status"             
## [26] "patient_id"                                
## [27] "year_of_initial_pathologic_diagnosis"      
## [28] "histological_type"                         
## [29] "tissue_source_site"                        
## [30] "form_completion_date"                      
## [31] "pathologic_T"                              
## [32] "pathologic_M"                              
## [33] "clinical_M"                                
## [34] "pathologic_N"                              
## [35] "system_version"                            
## [36] "pathologic_stage"                          
## [37] "clinical_stage"                            
## [38] "clinical_T"                                
## [39] "clinical_N"                                
## [40] "extranodal_involvement"                    
## [41] "postoperative_rx_tx"                       
## [42] "lymph_node_examined_count"                 
## [43] "primary_lymph_node_presentation_assessment"
## [44] "initial_pathologic_diagnosis_method"       
## [45] "number_of_lymphnodes_positive_by_he"       
## [46] "anatomic_neoplasm_subdivision"

🔵 Gender information (الجنس):
العمود: gender

الهدف: معرفة توزيع المرضى حسب الجنس (ذكر/أنثى).

السبب: بعض أنواع السرطان (مثل سرطان الثدي) تختلف بشكل كبير بين الجنسين.

# إنشاء جدول لعدد المرضى حسب الجنس
table_gender <- table(Breast_tumor_metadata$gender) 

# رسم بياني يوضح توزيع الجنس
barplot(table_gender,
        main = "Gender distribution of breast tumor cases", # عنوان الرسم
        ylab = "Count",                                     # تسمية المحور الرأسي
        col = c("pink", "lightblue"))                       # ألوان للأعمدة

🔵 Vital status information (الحالة الحيوية):
العمود: vital_status

الهدف: معرفة عدد المرضى الأحياء مقابل المتوفين.

السبب: يساعد على فهم النتائج السريرية وربطها بالعوامل الأخرى.

# إنشاء جدول  لعدد المرضى حسب الحالة الحيوية (حي أو متوفى)
table_vital_status <- table(Breast_tumor_metadata$vital_status) 

# رسم بياني يوضح عدد المرضى الأحياء مقابل المتوفين
barplot(table_vital_status,
        main = "Vital status of patients",# عنوان الرسم
        ylab = "Count",                   # تسمية المحور الرأسي (عدد المرضى)
        col = c("lightgreen", "tomato"))  # أخضر = حي، أحمر = متوفى

🔵 New tumor events after treatment information (ظهور ورم جديد بعد العلاج):
العمود: new_tumor_event_after_initial_treatment

الهدف: معرفة عدد الحالات التي ظهر لديها ورم جديد بعد العلاج الأولي.

السبب: هذا المؤشر مهم لفهم الاستجابة للعلاج وتقييم احتمالية الانتكاس.

# إنشاء جدول لعدد الحالات التي ظهر لديها ورم جديد بعد العلاج الأولي
table_event <- table(Breast_tumor_metadata$new_tumor_event_after_initial_treatment)

# رسم بياني يوضح عدد الحالات مع/بدون ورم جديد
barplot(table_event,                                         
        main = "New tumor event after initial treatment",   # عنوان الرسم
        ylab = "Count",                                     # تسمية المحور الرأسي
        col = c("gray70", "gray90", "lightblue", "tomato"), # ألوان للأعمدة
        las = 2)                                           # تدوير أسماء التصنيفات لسهولة القراءة

🔵 Radiation therapy status (العلاج الإشعاعي):
العمود: radiation_therapy

الهدف: معرفة نسبة المرضى الذين تلقوا علاج إشعاعي.

السبب: العلاج الإشعاعي عنصر مهم في خطة العلاج وقد يؤثر على النتائج.

# إنشاء جدول  يوضح عدد المرضى الذين تلقوا/لم يتلقوا علاج إشعاعي
table_radiation <- table(Breast_tumor_metadata$radiation_therapy)

# رسم بياني يوضح حالة العلاج الإشعاعي
barplot(table_radiation,
        main = "Radiation therapy status",                             # عنوان الرسم
        ylab = "Count",                                                # تسمية المحور الرأسي
        col = c("orange", "gray70", "gray90", "lightblue", "tomato"),  # ألوان مختلفة للتصنيفات
        las = 2)                                                       # تدوير النصوص لسهولة القراءة

🔵 Histological types of breast tumors (الأنواع النسيجية للأورام):
العمود: histological_type

الهدف: معرفة الأنواع النسيجية المختلفة لأورام الثدي.

السبب: يساعد في تصنيف المرضى حسب نوع الورم، وهو مهم جدًا في التشخيص والعلاج.

# إنشاء جدول للأنواع النسيجية المختلفة للأورام
# مع ترتيبها تنازليًا (الأكثر شيوعًا أولًا)
table_hist <- sort(table(Breast_tumor_metadata$histological_type), decreasing = TRUE)

# تحويل الجدول إلى إطار بيانات (DataFrame) حتى نستطيع استخدام ggplot
df_hist <- as.data.frame(table_hist)

# رسم بياني باستخدام ggplot يوضح الأنواع النسيجية للأورام
ggplot(df_hist, aes(x = Var1, y = Freq)) +            #x = أسماء الأنواع النسيجية، y = عدد الحالات لكل نوع
  geom_col(fill = "skyblue") +                        # أعمدة ملونة باللون الأزرق
  coord_flip() +                                      # قلب الرسم (الأعمدة أفقية بدل رأسية)
  labs(title = "Histological types of breast tumors", # عنوان الرسم
       x = "Histological type", y = "Count") +        # تسمية المحور الرأسي و الأفقي
  theme_minimal() +                                   # شكل مبسط (ثيم) للرسم
  theme(axis.text.y = element_text(size = 8))         # تصغير حجم النص على المحور

🔵 Pathological stage of breast tumors (المرحلة المرضية للورم):
العمود: pathologic_stage

الهدف: توزيع المرضى حسب مراحل السرطان (Stage I, II, III, IV).

السبب: المرحلة المرضية مؤشر مهم جدًا للتشخيص والتنبؤ بالنتائج وخطة العلاج.

# إنشاء جدول لمراحل السرطان (Stage I, II, III, IV)
# مع ترتيبها تنازليًا (الأكثر شيوعًا أولًا)
table_stage <- sort(table(Breast_tumor_metadata$pathologic_stage), decreasing = TRUE)

# تحويل الجدول إلى إطار بيانات
df_stage <- as.data.frame(table_stage)

# إعادة تسمية الأعمدة لتكون أوضح
names(df_stage) <- c("Stage","Count")

# رسم بياني باستخدام ggplot يوضح توزيع المرضى حسب المرحلة المرضية
ggplot(df_stage, aes(x = reorder(Stage, Count), y = Count)) +  #x = ترتيب المراحل حسب عدد المرضى | y =  عدد المرضى في كل مرحلة
  geom_col(fill = "skyblue") +                                # أعمدة ملونة باللون الأزرق
  coord_flip() +                                              # قلب الرسم (الأعمدة أفقية)
  labs(title = "Pathologic stage", x = NULL, y = "Count") +   # عنوان الرسم وتسمية المحاور
  theme_minimal() +                                           # شكل مبسط (ثيم) للرسم
  theme(axis.text.y = element_text(size = 9))                 # حجم النص على المحور

📺 لفهم ggplot2 وكيفية إنشاء الرسوم:
الرسوم البيانية باستخدام ggplot


3. حفظ الملف بعد الانتهاء منه

write.csv(Breast_tumor_metadata, "Breast_tumor_metadata_cleaned.csv")