#paper doi: 10.1186/s13059-016-0893-4. DeconstructSigs: delineating mutational processes in single tumors distinguishes DNA repair deficiencies and patterns of carcinoma evolution. Genome Biol. 2016 Feb 22;17:31. 突变信号（或突变特征）（mutational signature）首次提出来自Alexandrov LB, et al. Nature, 2013.的一项研究，当时利用非负矩阵分解（Non-negative matrix factorization，NMF）算法共发现21种mutational signature，每个signature包含96种不同三核苷酸突变（96 trinucleotide contexts）。最近来自science的研究报道了58种未被识别的mutational signature（Degasperi A, Science. 2022.）。与以往的研究相比，本研究开发的deconstructSigs包能够对单个肿瘤样本分析由环境暴露、DNA损伤修复异常和诱变等引起的突变信号。目前cosmic网站（https://cancer.sanger.ac.uk/signatures/）已经根据不同变异类型分成四大类signatures，分别是SBS Signature（Single base substitutions，95种亚signature）、DBS Signature（Doublet Base Substitution，11种亚signature）、ID Signatures（Small insertions and deletions，18种亚signature）和CN Signatures（Copy Number Variantions，24种亚signature）。deconstructSigs包的分析步骤包括（1）利用mut.to.sigs.input构建输入文件。（2）利用whichSignatures进行Signature 预测。这里提到的NMF是一种用于发现数据特征的算法，之前在图像识别领域很常用，较其他PCA或SVD等算法相比，保证了矩阵元素为非负（在大多数应用场景种负值元素大多数是无意义的）。NMF的基本思想是对于任意给定的一个非负矩阵V，其能够寻找到一个非负矩阵W和一个非负矩阵H，满足条件V=W*H，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。V分解为矩阵W和H的过程需要不断地迭代，直至矩阵W和H收敛才停止。V矩阵中每一列代表一个观测（observation），每一行代表一个特征（feature），比如RNAseq的样本（列）和基因（行）的表达矩阵；W矩阵称为基矩阵（行列式的值不等于0，就是基矩阵），H矩阵称为系数矩阵或权重矩阵。这时用系数矩阵H代替原始矩阵，就可以实现对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空间。