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:
library(tidyverse): تُحمِّل مجموعة متكاملة من الحزم المصممة لتسهيل تحليل البيانات في R.للاطّلاع على التوثيق التفصيلي، يمكنك زيارة الرابط التالي:
⚠️ ملاحظة: هذه الخطوة مهمة فقط إذا لم تكن الحزم مثبتة مسبقًا على جهازك.
بعد التثبيت لمرة واحدة، يمكن تجاهلها والاكتفاء باستخدامlibrary()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
💡 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)
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
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)
| 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
write.csv(Breast_tumor_metadata, "Breast_tumor_metadata_cleaned.csv")