前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
首页
学习
活动
专区
工具
TVP最新优惠活动
返回腾讯云官网
社区首页 >专栏 >TCGA的28篇教程- 使用R语言的RTCGA包获取TCGA数据

TCGA的28篇教程- 使用R语言的RTCGA包获取TCGA数据

作者头像
生信技能树
发布于 2018-07-27 14:31:11
8.9K0
发布于 2018-07-27 14:31:11
举报
文章被收录于专栏：生信技能树

前些天被TCGA的终结新闻刷屏，但是一直比较忙，还没来得及仔细研读，但是笔记本躺着的一些TCGA教程快发霉了，借此契机好好整理一下吧，预计二十篇左右的笔记

——jimmy

往期目录如下：

使用R语言的cgdsr包获取TCGA数据

第二篇目录

  • - TCGA数据源
  • - R包RTCGA的简单介绍
  • - 首先安装及加载包
  • - 指定任意基因从任意癌症里面获取芯片表达数据
  • - 绘制指定基因在不同癌症的表达量区别boxplot
  • - 更多boxplot参数
  • - 指定任意基因从任意癌症里面获取测序表达数据
  • - 用全部的rnaseq的表达数据来做主成分分析
  • - 用5个基因在3个癌症的表达量做主成分分析
  • - 用突变数据做生存分析
  • - 多个基因在多种癌症的表达量热图

正文

TCGA数据源

众所周知,TCGA数据库是目前最综合全面的癌症病人相关组学数据库，包括的测序数据有：

  • DNA Sequencing
  • miRNA Sequencing
  • Protein Expression
  • mRNA Sequencing
  • Total RNA Sequencing
  • Array-based Expression
  • DNA Methylation
  • Copy Number

知名的肿瘤研究机构都有着自己的TCGA数据库探索工具，比如：

  • Broad Institute FireBrowse portal, The Broad Institute
  • cBioPortal for Cancer Genomics, Memorial Sloan-Kettering Cancer Center
  • TCGA Batch Effects, MD Anderson Cancer Center
  • Regulome Explorer, Institute for Systems Biology
  • Next-Generation Clustered Heat Maps, MD Anderson Cancer Center

R包RTCGA的简单介绍

而RTCGA这个包是 Marcin Marcin Kosinski et al. 等人开发的，工作流程如下：

img

这不是简单的一个包，而是一系列根据数据类型分离的包，相当于要先下载这些离线数据R包之后再直接从离线数据包里面获取TCGA的所有数据。

作者写了详细的文档： https://rtcga.github.io/RTCGA/index.html

最新的数据版本是2016-01-28，可以加载以下的包：

  • RTCGA.mutations.20160128
  • RTCGA.rnaseq.20160128
  • RTCGA.clinical.20160128
  • RTCGA.mRNA.20160128
  • RTCGA.miRNASeq.20160128
  • RTCGA.RPPA.20160128
  • RTCGA.CNV.20160128
  • RTCGA.methylation.20160128

旧版本已经可以考虑弃用了，下面是基于 2015-11-01 版本的 TCGA 数据

  • RTCGA.mutations
  • RTCGA.rnaseq
  • RTCGA.clinical
  • RTCGA.PANCAN12
  • RTCGA.mRNA
  • RTCGA.miRNASeq
  • RTCGA.RPPA
  • RTCGA.CNV
  • RTCGA.methylation

这里就介绍如何使用R语言的RTCGA包来获取任意TCGA数据吧。

首先安装及加载包

这里仅仅是测序mRNA表达量数据以及临床信息，所以只需要下载及安装下面的包:

代码语言：javascript
复制
# Load the bioconductor installer. 
source("https://bioconductor.org/biocLite.R")
# Install the main RTCGA package
biocLite("RTCGA")
# Install the clinical and mRNA gene expression data packages
biocLite("RTCGA.clinical") ## 14Mb
biocLite('RTCGA.rnaseq') ##  (612.6 MB)
biocLite("RTCGA.mRNA") ##  (85.0 MB)
biocLite('RTCGA.mutations')  ## (103.8 MB)

安装成功之后就可以加载，可以看到，有些数据包非常大，如果网速不好，下载会很可怕。也可以自己想办法独立下载。

代码语言：javascript
复制
https://bioconductor.org/packages/3.6/data/experiment/src/contrib/RTCGA.rnaseq_20151101.8.0.tar.gz
https://bioconductor.org/packages/3.6/data/experiment/src/contrib/RTCGA.mRNA_1.6.0.tar.gz
https://bioconductor.org/packages/3.6/data/experiment/src/contrib/RTCGA.clinical_20151101.8.0.tar.gz
https://bioconductor.org/packages/3.6/data/experiment/src/contrib/RTCGA.mutations_20151101.8.0.tar.gz
代码语言：javascript
复制
library(RTCGA)
代码语言：javascript
复制
## Welcome to the RTCGA (version: 1.8.0).
代码语言：javascript
复制
all_TCGA_cancers=infoTCGA()
DT::datatable(all_TCGA_cancers)
代码语言：javascript
复制
library(RTCGA.clinical) 
library(RTCGA.mRNA)
 ## ?mRNA
## ?clinical

指定任意基因从任意癌症里面获取芯片表达数据

这里我们拿下面3种癌症做示范：

  • Breast invasive carcinoma (BRCA)
  • Ovarian serous cystadenocarcinoma (OV)
  • Lung squamous cell carcinoma (LUSC)
代码语言：javascript
复制
library(RTCGA)
library(RTCGA.mRNA)
expr <- expressionsTCGA(BRCA.mRNA, OV.mRNA, LUSC.mRNA,
                        extract.cols = c("GATA3", "PTEN", "XBP1","ESR1", "MUC1"))
代码语言：javascript
复制
## Warning in flatten_bindable(dots_values(...)): '.Random.seed' is not an
## integer vector but of type 'NULL', so ignored
代码语言：javascript
复制
expr
代码语言：javascript
复制
## # A tibble: 1,305 x 7
##             bcr_patient_barcode   dataset     GATA3       PTEN      XBP1
##                           <chr>     <chr>     <dbl>      <dbl>     <dbl>
##  1 TCGA-A1-A0SD-01A-11R-A115-07 BRCA.mRNA  2.870500  1.3613571  2.983333
##  2 TCGA-A1-A0SE-01A-11R-A084-07 BRCA.mRNA  2.166250  0.4283571  2.550833
##  3 TCGA-A1-A0SH-01A-11R-A084-07 BRCA.mRNA  1.323500  1.3056429  3.020417
##  4 TCGA-A1-A0SJ-01A-11R-A084-07 BRCA.mRNA  1.841625  0.8096429  3.131333
##  5 TCGA-A1-A0SK-01A-12R-A084-07 BRCA.mRNA -6.025250  0.2508571 -1.451750
##  6 TCGA-A1-A0SM-01A-11R-A084-07 BRCA.mRNA  1.804500  1.3107857  4.041083
##  7 TCGA-A1-A0SO-01A-22R-A084-07 BRCA.mRNA -4.879250 -0.2369286 -0.724750
##  8 TCGA-A1-A0SP-01A-11R-A084-07 BRCA.mRNA -3.143250 -1.2432143 -1.193083
##  9 TCGA-A2-A04N-01A-11R-A115-07 BRCA.mRNA  2.034000  1.2074286  2.278833
## 10 TCGA-A2-A04P-01A-31R-A034-07 BRCA.mRNA -0.293125  0.2883571 -1.605083
## # ... with 1,295 more rows, and 2 more variables: ESR1 <dbl>, MUC1 <dbl>

可以看到我们感兴趣的5个基因在这3种癌症的表达量数据都获取了，但是样本量并不一定是最新的TCGA样本量，如下：

代码语言：javascript
复制
nb_samples <- table(expr$dataset)
nb_samples
代码语言：javascript
复制
## 
## BRCA.mRNA LUSC.mRNA   OV.mRNA 
##       590       154       561

其中要注意的是mRNA并不是rnaseq，两者不太一样，具体样本数量，可以看最前面的表格。

下面简化一下标识，方便可视化展现

代码语言：javascript
复制
expr$dataset <- gsub(pattern = ".mRNA", replacement = "",  expr$dataset)
expr$bcr_patient_barcode <- paste0(expr$dataset, c(1:590, 1:561, 1:154))
expr
代码语言：javascript
复制
## # A tibble: 1,305 x 7
##    bcr_patient_barcode dataset     GATA3       PTEN      XBP1       ESR1
##                  <chr>   <chr>     <dbl>      <dbl>     <dbl>      <dbl>
##  1               BRCA1    BRCA  2.870500  1.3613571  2.983333  3.0842500
##  2               BRCA2    BRCA  2.166250  0.4283571  2.550833  2.3860000
##  3               BRCA3    BRCA  1.323500  1.3056429  3.020417  0.7912500
##  4               BRCA4    BRCA  1.841625  0.8096429  3.131333  2.4954167
##  5               BRCA5    BRCA -6.025250  0.2508571 -1.451750 -4.8606667
##  6               BRCA6    BRCA  1.804500  1.3107857  4.041083  2.7970000
##  7               BRCA7    BRCA -4.879250 -0.2369286 -0.724750 -4.4860833
##  8               BRCA8    BRCA -3.143250 -1.2432143 -1.193083 -1.6274167
##  9               BRCA9    BRCA  2.034000  1.2074286  2.278833  4.1155833
## 10              BRCA10    BRCA -0.293125  0.2883571 -1.605083  0.4731667
## # ... with 1,295 more rows, and 1 more variables: MUC1 <dbl>

绘制指定基因在不同癌症的表达量区别boxplot

代码语言：javascript
复制
library(ggpubr)
代码语言：javascript
复制
## Loading required package: ggplot2
代码语言：javascript
复制
## Loading required package: magrittr
代码语言：javascript
复制
# GATA3
ggboxplot(expr, x = "dataset", y = "GATA3",
          title = "GATA3", ylab = "Expression",
          color = "dataset", palette = "jco")

img

代码语言：javascript
复制
# PTEN
ggboxplot(expr, x = "dataset", y = "PTEN",
          title = "PTEN", ylab = "Expression",
          color = "dataset", palette = "jco")

img

代码语言：javascript
复制
## 注意这个配色可以自选的： RColorBrewer::display.brewer.all()

这里选择的是 ggsci 包的配色方案，包括： “npg”, “aaas”, “lancet”, “jco”, “ucscgb”, “uchicago”, “simpsons” and “rickandmorty”，针对常见的SCI杂志的需求开发的。

还可以加上P值信息

代码语言：javascript
复制
my_comparisons <- list(c("BRCA", "OV"), c("OV", "LUSC"))
ggboxplot(expr, x = "dataset", y = "GATA3",
          title = "GATA3", ylab = "Expression",
          color = "dataset", palette = "jco")+
  stat_compare_means(comparisons = my_comparisons)

img

这些统计学检验，也是被包装成了函数：

代码语言：javascript
复制
compare_means(c(GATA3, PTEN, XBP1) ~ dataset, data = expr)
代码语言：javascript
复制
## # A tibble: 9 x 8
##      .y. group1 group2             p         p.adj p.format p.signif
##   <fctr>  <chr>  <chr>         <dbl>         <dbl>    <chr>    <chr>
## 1  GATA3   BRCA     OV 1.111768e-177 3.335304e-177  < 2e-16     ****
## 2  GATA3   BRCA   LUSC  6.684016e-73  1.336803e-72  < 2e-16     ****
## 3  GATA3     OV   LUSC  2.965702e-08  2.965702e-08  3.0e-08     ****
## 4   PTEN   BRCA     OV  6.791940e-05  6.791940e-05  6.8e-05     ****
## 5   PTEN   BRCA   LUSC  1.042830e-16  3.128489e-16  < 2e-16     ****
## 6   PTEN     OV   LUSC  1.280576e-07  2.561153e-07  1.3e-07     ****
## 7   XBP1   BRCA     OV 2.551228e-123 7.653685e-123  < 2e-16     ****
## 8   XBP1   BRCA   LUSC  1.950162e-42  3.900324e-42  < 2e-16     ****
## 9   XBP1     OV   LUSC  4.239570e-11  4.239570e-11  4.2e-11     ****
## # ... with 1 more variables: method <chr>

更多boxplot参数

代码语言：javascript
复制
label.select.criteria <- list(criteria = "`y` > 3.9 & `x` %in% c('BRCA', 'OV')")
ggboxplot(expr, x = "dataset",
          y = c("GATA3", "PTEN", "XBP1"),
          combine = TRUE,
          color = "dataset", palette = "jco",
          ylab = "Expression", 
          label = "bcr_patient_barcode",              # column containing point labels
          label.select = label.select.criteria,       # Select some labels to display
          font.label = list(size = 9, face = "italic"), # label font
          repel = TRUE                                # Avoid label text overplotting
          )

img

其中 combine = TRUE 会把多个boxplot并排画在一起，其实没有ggplot自带的分面好用。

还可以使用 merge = TRUE or merge = “asis” or merge = "flip" 来把多个boxplot 合并，效果不一样。

还有翻转，如下：

代码语言：javascript
复制
ggboxplot(expr, x = "dataset", y = "GATA3",
          title = "GATA3", ylab = "Expression",
          color = "dataset", palette = "jco",
          rotate = TRUE)

img

更多可视化详见： http://www.sthda.com/english/articles/24-ggpubr-publication-ready-plots/77-facilitating-exploratory-data-visualization-application-to-tcga-genomic-data/

指定任意基因从任意癌症里面获取测序表达数据

还是同样的3种癌症和5个基因做示范，这个时候的基因ID稍微有点麻烦，不仅仅是要symbol还要entrez的ID，具体需要看 https://wiki.nci.nih.gov/display/TCGA/RNASeq+Version+2 的解释

如下：

代码语言：javascript
复制
library(RTCGA)
library(RTCGA.rnaseq)
expr <- expressionsTCGA(BRCA.rnaseq, OV.rnaseq, LUSC.rnaseq,
                        extract.cols = c("GATA3|2625", "PTEN|5728", "XBP1|7494","ESR1|2099", "MUC1|4582"))
expr
代码语言：javascript
复制
## # A tibble: 2,071 x 7
##             bcr_patient_barcode     dataset `GATA3|2625` `PTEN|5728`
##                           <chr>       <chr>        <dbl>       <dbl>
##  1 TCGA-3C-AAAU-01A-11R-A41B-07 BRCA.rnaseq   14337.4623    1724.328
##  2 TCGA-3C-AALI-01A-11R-A41B-07 BRCA.rnaseq    7437.7379    1106.580
##  3 TCGA-3C-AALJ-01A-31R-A41B-07 BRCA.rnaseq   10252.9465    1478.695
##  4 TCGA-3C-AALK-01A-11R-A41B-07 BRCA.rnaseq    8761.6880    1877.120
##  5 TCGA-4H-AAAK-01A-12R-A41B-07 BRCA.rnaseq   14068.5106    1739.574
##  6 TCGA-5L-AAT0-01A-12R-A41B-07 BRCA.rnaseq   16511.5120    1596.715
##  7 TCGA-5L-AAT1-01A-12R-A41B-07 BRCA.rnaseq    6721.2714    1374.083
##  8 TCGA-5T-A9QA-01A-11R-A41B-07 BRCA.rnaseq   13485.3556    2181.485
##  9 TCGA-A1-A0SB-01A-11R-A144-07 BRCA.rnaseq     601.4191    2529.114
## 10 TCGA-A1-A0SD-01A-11R-A115-07 BRCA.rnaseq   12982.8798    1875.775
## # ... with 2,061 more rows, and 3 more variables: `XBP1|7494` <dbl>,
## #   `ESR1|2099` <dbl>, `MUC1|4582` <dbl>
代码语言：javascript
复制
nb_samples <- table(expr$dataset)
nb_samples
代码语言：javascript
复制
## 
## BRCA.rnaseq LUSC.rnaseq   OV.rnaseq 
##        1212         552         307
代码语言：javascript
复制
library(ggpubr)
# ESR1|2099
ggboxplot(expr, x = "dataset", y = "`PTEN|5728`",
          title = "ESR1|2099", ylab = "Expression",
          color = "dataset", palette = "jco")

img

更多可视化见：http://rtcga.github.io/RTCGA/articles/Visualizations.html

用全部的rnaseq的表达数据来做主成分分析

代码语言：javascript
复制
## RNASeq expressions
library(RTCGA.rnaseq)
library(dplyr)
代码语言：javascript
复制
## 
## Attaching package: 'dplyr'
代码语言：javascript
复制
## The following objects are masked from 'package:stats':
## 
##     filter, lag
代码语言：javascript
复制
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
代码语言：javascript
复制
expressionsTCGA(BRCA.rnaseq, OV.rnaseq, HNSC.rnaseq) %>%
   dplyr::rename(cohort = dataset) %>%  
   filter(substr(bcr_patient_barcode, 14, 15) == "01") -> BRCA.OV.HNSC.rnaseq.cancer
pcaTCGA(BRCA.OV.HNSC.rnaseq.cancer, "cohort") -> pca_plot
plot(pca_plot)

img

因为是全部的表达数据，所以非常耗时，但是可以很明显看到乳腺癌和卵巢癌关系要近一点，头颈癌症就要远一点。

用5个基因在3个癌症的表达量做主成分分析

代码语言：javascript
复制
expr %>%  
   filter(substr(bcr_patient_barcode, 14, 15) == "01") -> rnaseq.5genes.3cancers
DT::datatable(rnaseq.5genes.3cancers)
代码语言：javascript
复制
#pcaTCGA(rnaseq.5genes.3cancers, "dataset") -> pca_plot
#plot(pca_plot)

该包里面的pcaTCGA函数不好用，其实可以自己做PCA分析。

用突变数据做生存分析

代码语言：javascript
复制
library(RTCGA.mutations)
# library(dplyr) if did not load at start
library(survminer)
mutationsTCGA(BRCA.mutations, OV.mutations) %>%
   filter(Hugo_Symbol == 'TP53') %>%
   filter(substr(bcr_patient_barcode, 14, 15) ==
   "01") %>% # cancer tissue
   mutate(bcr_patient_barcode =
   substr(bcr_patient_barcode, 1, 12)) ->
  BRCA_OV.mutations
library(RTCGA.clinical)
survivalTCGA(
  BRCA.clinical,
  OV.clinical,
  extract.cols = "admin.disease_code"
  ) %>%
   dplyr::rename(disease = admin.disease_code) ->
  BRCA_OV.clinical
BRCA_OV.clinical %>%
   left_join(
     BRCA_OV.mutations,
     by = "bcr_patient_barcode"
     ) %>%
   mutate(TP53 =
   ifelse(!is.na(Variant_Classification), "Mut","WILDorNOINFO")) ->
  BRCA_OV.clinical_mutations
BRCA_OV.clinical_mutations %>%
select(times, patient.vital_status, disease, TP53) -> BRCA_OV.2plot
kmTCGA(
  BRCA_OV.2plot,
  explanatory.names = c("TP53", "disease"),
  break.time.by = 400,
  xlim = c(0,2000),
  pval = TRUE) -> km_plot
代码语言：javascript
复制
## Scale for 'colour' is already present. Adding another scale for
## 'colour', which will replace the existing scale.
代码语言：javascript
复制
## Scale for 'fill' is already present. Adding another scale for 'fill',
## which will replace the existing scale.
代码语言：javascript
复制
print(km_plot)

img

多个基因在多种癌症的表达量热图

代码语言：javascript
复制
library(RTCGA.rnaseq)
# perfrom plot
# library(dplyr) if did not load at start
expressionsTCGA(
  ACC.rnaseq,
  BLCA.rnaseq,
  BRCA.rnaseq,
  OV.rnaseq,
  extract.cols = 
    c("MET|4233",
    "ZNF500|26048",
    "ZNF501|115560")
  ) %>%
  dplyr::rename(cohort = dataset,
  MET = `MET|4233`) %>%
  #cancer samples
  filter(substr(bcr_patient_barcode, 14, 15) ==
  "01") %>%
  mutate(MET = cut(MET,
   round(quantile(MET, probs = seq(0,1,0.25)), -2),
   include.lowest = TRUE,
   dig.lab = 5)) -> ACC_BLCA_BRCA_OV.rnaseq
ACC_BLCA_BRCA_OV.rnaseq %>%
  select(-bcr_patient_barcode) %>%
  group_by(cohort, MET) %>%
  summarise_each(funs(median)) %>%
  mutate(ZNF500 = round(`ZNF500|26048`),
  ZNF501 = round(`ZNF501|115560`)) ->
  ACC_BLCA_BRCA_OV.rnaseq.medians
代码语言：javascript
复制
## `summarise_each()` is deprecated.
## Use `summarise_all()`, `summarise_at()` or `summarise_if()` instead.
## To map `funs` over all variables, use `summarise_all()`
代码语言：javascript
复制
heatmapTCGA(ACC_BLCA_BRCA_OV.rnaseq.medians,
  "cohort", "MET", "ZNF500",
  title = "Heatmap of ZNF500 expression")

img

细心的同学可以发现，本教程其实里面含有大量的外链，因为微信自身的限制没办法跳转，大家可以去生信技能树论坛查看，谢谢合作哦。

一个R包不仅仅是提供一个数据下载接口，更重要的是里面封装了一些便于使用的统计分析函数。

生信技能树GATK4系列教程 GATK4的gvcf流程 你以为的可能不是你以为的 新鲜出炉的GATK4培训教材全套PPT，赶快下载学习吧 曾老湿最新私已：GATK4实战教程 GATK4的CNV流程-hg38

值得一提的是，对肿瘤外显子来分析CNV， 我测试过很多工具了，这个GATK的值得一试！

WES的CNV探究-conifer软件使用

单个样本NGS数据如何做拷贝数变异分析呢

肿瘤配对样本用varscan 做cnv分析

使用cnvkit来对大批量wes样本找cnv

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2018-05-21，如有侵权请联系 cloudcommunity@tencent.com 删除
其他

本文分享自 生信技能树 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ，欢迎热爱写作的你一起参与！

其他
评论
登录后参与评论
0 条评论
热度
最新
登录 后参与评论
推荐阅读
LV.
文章
0
获赞
0
目录
  • TCGA数据源
  • R包RTCGA的简单介绍
  • 首先安装及加载包
  • 指定任意基因从任意癌症里面获取芯片表达数据
  • 绘制指定基因在不同癌症的表达量区别boxplot
  • 更多boxplot参数
  • 指定任意基因从任意癌症里面获取测序表达数据
  • 用全部的rnaseq的表达数据来做主成分分析
  • 用5个基因在3个癌症的表达量做主成分分析
  • 用突变数据做生存分析
  • 多个基因在多种癌症的表达量热图
领券

腾讯云开发者

扫码关注腾讯云开发者

扫码关注腾讯云开发者

领取腾讯云代金券

热门产品

热门推荐

更多推荐

Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

Copyright © 2013 - 2024 Tencent Cloud.

All Rights Reserved. 腾讯云 版权所有

登录 后参与评论