TCGA数据下载与ID转换
image
今天继续我们的TCGA数据分析系列。
TCGA数据下载
TCGA数据下载的方式有很多，本次我们利用UCSC Xena数据库下载数据，网址是：https://xenabrowser.net/。该平台内置了一些公共数据集，比如来自TCGA, ICGC等大型癌症研究项目的数据，不仅可以对数据进行分析，而且还提供了对应文件的下载功能。
image
打开后界面是这样的
image
点击DATA SETS，里面有很多数据集，我们选择TCGA肝癌数据
image
接着我们选择HTSeq-Count
image
这里可以看到值log2（count+1），为什么加一呢，因为很多基因的表达值是0，无法取log。
image
下载下来，解压后打开是这个样子
image
接下来我们进行差异分析
首先加载R包
rm(list= ls())#一键清空#安装并加载R包if(length(getOption("CRAN"))==0) options(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")if(!require("rtracklayer")) BiocManager::install("rtracklayer")if(!require("tidyr")) BiocManager::install("tidyr")if(!require("dplyr")) BiocManager::install("dplyr")if(!require("DESeq2")) BiocManager::install("DESeq2")if(!require("limma")) BiocManager::install("limma")if(!require("edgeR")) BiocManager::install("edgeR")
读取数据
#导入表达谱数据LIHCdata=read.table("TCGA-LIHC.htseq_counts.tsv",header=T,sep='\t')LIHCdata[1:4,1:4]
image
利用我们之前讲到的方法去掉ensemble ID的点号R语言学习系列之separate {tidyr}
LIHCdata1<-separate(LIHCdata,Ensembl_ID,into= c("Ensembl_ID"),sep="\\.")LIHCdata1[1:4,1:4]
利用我们之前讲到的方法去掉ensemble ID的点号R语言学习系列之separate {tidyr}
LIHCdata1<-separate(LIHCdata,Ensembl_ID,into= c("Ensembl_ID"),sep="\\.")LIHCdata1[1:4,1:4]
image
接下来我们需要对ID进行转换，转换的方法也有很多，有R包，在线数据库。小工具等，这里我们通过下载最新版的GTF文件来进行转换。
首先，打开ensembl网址：http://asia.ensembl.org/index.html
image
点击Download
image
再点击Download database
image
再点击human的GTF文件
image
下载Homo_sapiens.GRCh38.99.chr.gtf.gz文件
然后放到我们R语言的工作目录内，打开文件
gtf <- rtracklayer::import('Homo_sapiens.GRCh38.99.chr.gtf.gz')#转换为数据框gtf <-as.data.frame(gtf)
查看文件，保存文件为Rdata，将来方便我们直接打开
dim(gtf)save(gtf,file ="Homo_sapiens.GRCh38.99基因组注释文件.Rda")
image
image
可见文件有290万行，27列，由于GTF文件中，基因ID的列名是gene_id,所以我们把LIHCdata1中的基因列名改成一样的，方便后续合并
colnames(LIHCdata1)[1]<-'gene_id'
通过浏览文件看到我们需要的主要信息在
1 type，这一列我们需要选择gene
2 gene_biotype，这一列我们需要选择protein_coding，当然你也可以选择其他的种类，比如miRNA，长链非编码等。
所以我们首先把蛋白编码的基因的行都筛选出来
a=dplyr::filter(gtf,type=="gene",gene_biotype=="protein_coding")dim(a)
image
这个时候a文件只有19939行了，列下来我们只选择gene_name，gene_id和gene_biotype这三列，其他都不要了
b=dplyr::select(a,c(gene_name,gene_id,gene_biotype))b[1:4,]
image
接下来用LIHCdata1和b文件中共有的gene_id列还合并文件
c=dplyr::inner_join(b,LIHCdata1,by ="gene_id")c[1:5,1:5]
image
再去掉第2，3列，基因名再去重
d=select(c,-gene_id,-gene_biotype)mRNAdata=distinct(d,gene_name,.keep_all = T)
image
把行名由数字换成基因
rownames(mRNAdata)<-mRNAdata[,1]mRNAdata<-mRNAdata[,-1]
image
我们下载的数据取过了log2（count+1），这里我们再返回count
mRNAdata<-2^mRNAdata -1
image
保存文件，大功告成！
write.csv(mRNAdata,"mRNAdata.csv",quote = F,row.names = T)save(mRNAdata,file ="mRNAdata.Rda")
好了，今天先讲到这，下回我们来进行后续的差异分析。
需要今天下载的两个文件的话，公众号回复“大功告成”可获取链接。
另外，最近收集了一些很好的资源，想分享给大家，顺便能涨一些粉，主要有
1. 19年中标的各门类国自然题目汇总，以及17年的国自然汇总，部分含摘要！
image
image
2. R语言学习书籍
R语言实战(中文完整版)
image
R数据科学(中文完整版）
image
ggplot2：****数据分析与图形艺术
image
30分钟学会ggplot2
image
3. TCGA数据整理
前期从https://xenabrowser.net/datapages/ (UCSC Xena)数据库下载的TCGA数据，传到了百度云上备份。
image
image
image
感兴趣的话，转发朋友圈或者100人以上的微信群，截图发到公众号，即可获取全部资源的百度云链接，链接7天有效，希望大家赶紧下载。你们的支持是我前进的动力，感谢。
