TCGA数据下载—TCGAbiolinks包参数详解
今天我们介绍使用TCGAbiolinks包下载TCGA数据库的数据。TCGAbiolinks包是从TCGA数据库官网接口下载数据的R包。它的一些函数能够轻松地帮我们下载数据和整理数据格式。 其实就是broad研究所的firehose命令行工具的R包装！
最近才开始使用TCGAbiolinks这个包从TCGA数据库官网下载数据，发现很多参数不知道去哪里找，所以就查找资料总结了一下。以下载肝脏肝细胞癌（LIHC）的count值为例，下载数据最主要的一个函数是GDCquery()。我们在R里运行：
> ?GDCquery就像学习所有之前没用过的包一样，第一步永远是查看下 help 文档，里面介绍了各个参数，齁长~齁长的，不过没关系，我们一会儿进行一一介绍，也不是哪个都有用。
首先我们看下 help 文档里的Usage部分：
Usage
GDCquery(project, data.category, data.type, workflow.type,
legacy = FALSE, access, platform, file.type, barcode,
experimental.strategy, sample.type)发现GDCquery函数一共有11个参数：
1.project；
2.data.category；
3.data.type；
4.workflow.type；
5.legacy = FALSE；
6.access；
7.platform；
8.file.type；
9.barcode；
10.experimental.strategy；
11.sample.type
其次我们看一下 help 文档里的Examples部分：
query <- GDCquery(project = "TCGA-ACC",
data.category = "Copy Number Variation",
data.type = "Copy Number Segment")注：GDCquery函数参数详解官网网址：
http://www.bioconductor.org/packages/release/bioc/vignettes/TCGAbiolinks/inst/doc/query.html#useful_information
安装R包
老规矩，使用我们生信技能树的镜像切换大法，保证分分钟安装成功！
rm(list = ls())
options()$repos
options()$BioC_mirror
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options()$repos
options()$BioC_mirror
source("https://bioconductor.org/biocLite.R")
biocLite("TCGAbiolinks")
library("TCGAbiolinks")介绍各参数
1.project
可以使用TCGAbiolinks:::getGDCprojects()$project_id)得到各个癌种的项目id，总共有45个ID值。
如：将要下载的肝癌项目编号为project="TCGA-LIHC"
> TCGAbiolinks:::getGDCprojects()$project_id
[1] "TCGA-READ" "TARGET-CCSK" "TCGA-MESO" "TCGA-CHOL"
[5] "NCICCR-DLBCL" "TARGET-WT" "TCGA-TGCT" "TCGA-PRAD"
[9] "TCGA-LAML" "TCGA-ESCA" "TCGA-SARC" "TCGA-ACC"
[13] "TCGA-PAAD" "TCGA-BLCA" "TCGA-KICH" "FM-AD"
[17] "TCGA-LUSC" "TCGA-THYM" "TCGA-GBM" "TCGA-UCEC"
[21] "TCGA-COAD" "TCGA-LUAD" "TARGET-AML" "TARGET-NBL"
[25] "TCGA-DLBC" "TCGA-UVM" "TCGA-THCA" "TARGET-OS"
[29] "TCGA-LGG" "TCGA-STAD" "TCGA-LIHC" "TCGA-CESC"
[33] "TCGA-HNSC" "TCGA-KIRC" "VAREPOP-APOLLO" "TCGA-SKCM"
[37] "TCGA-BRCA" "TCGA-OV" "TCGA-PCPG" "CTSP-DLBCL1"
[41] "TCGA-UCS" "CPTAC-3" "TCGA-KIRP" "TARGET-RT"
[45] "TARGET-ALL-P3" 2.data.category
可以使用TCGAbiolinks:::getProjectSummary(project)查看project中有哪些数据类型，如查询"TCGA-LIHC"，有7种数据类型（就是前面群主视频多次提到的数据类型），case_count为病人数，file_count为对应的文件数。小编要下载表达谱，所以设置data.category="Transcriptome Profiling"
> TCGAbiolinks:::getProjectSummary("TCGA-LIHC")
$`data_categories`
case_count file_count data_category
1 376 2122 Transcriptome Profiling
2 376 1537 Copy Number Variation
3 375 3032 Simple Nucleotide Variation
4 377 430 DNA Methylation
5 377 423 Clinical
6 377 1637 Sequencing Reads
7 377 1634 Biospecimen
$case_count
[1] 377
$file_count
[1] 10815
$file_size
[1] 1.729756e+133.data.type
筛选要下载的文件的数据类型。没有命令可以查看data.type里都有哪些数据类型，但是根据官网连接，如下表图，和所查资料，我们可以总结出常用的data.type都有：
#下载rna-seq的counts数据
data.type = "Gene Expression Quantification"
#下载miRNA数据
data.type = "miRNA Expression Quantification"
#下载Copy Number Variation数据
data.type = "Copy Number Segment"这里下载表达谱为data.type = "Gene Expression Quantification"
1556293360665.png
4.workflow.type
不同的数据类型，有其对应的参数可供选择。
workflow.type 有三种类型分别为：
- HTSeq - FPKM-UQ：FPKM上四分位数标准化值
- HTSeq - FPKM：FPKM值/表达量值
- HTSeq - Counts：原始count数
小编需要下载count数，所以workflow.type=“HTSeq - Counts”。
5.legacy = FALSE
这个参数主要是因为TCGA数据有两个入口可以下载，GDC Legacy Archive 和 GDC Data Portal，区别主要是注释参考基因组版本不同分别是：GDC Legacy Archive（hg19和GDC Data Portal（hg38）。参数默认为FALSE，下载GDC Data Portal（hg38）。这里小编的建议是，下载转录组层面的数据使用hg38，下载DNA层面的数据使用hg19，因为比如做SNP分析的时候很多数据库没有hg38版本的数据，都是hg19的。
1556293412665.png
6.access
数据开放和不开放，有两个参数:controlled, open。
我们这里使用：access=“open”
7.platform
这里涉及到的平台种类非常多，可以具体去官网看每种数据都有什么平台的可以下载。这个参数可以省略不设置。
1556293428897.png
8.file.type
主要是在GDC Legacy Archive下载数据的时候使用，可以参考官网说明。这里小编在GDC Data Portal下载数据，所以该参数省略不设置。
9.barcode
A list of barcodes to filter the files to download。可以根据这个参数设置只下载某个样本等。如：
barcode = c("TCGA-14-0736-02A-01R-2005-01", "TCGA-06-0211-02A-02R-2005-01")
10.experimental.strategy
两个下载入口参数选择
- GDC Data Portal：WXS, RNA-Seq, miRNA-Seq, Genotyping Array.
- Legacy: WXS, RNA-Seq, miRNA-Seq, Genotyping Array, DNA-Seq, Methylation array, Protein expression array, WXS,CGH array, VALIDATION, Gene expression array,WGS, MSI-Mono-Dinucleotide Assay, miRNA expression array, Mixed strategies, AMPLICON, Exon array, Total RNA-Seq, Capillary sequencing, Bisulfite-Seq
11.sample.type
A sample type to filter the files to download，可以对样本类型进行过滤下载。这里我要下载所有样本类型数据，不设置。部分值选择如下（全部可以查看官网）：如sample.type = "Recurrent Solid Tumor"
1556293447018.png
下面我们开始下载数据：
根据上面的讲解，小编要下载的数据为LIHC，表达谱，count值，因此个参数设置如下：
#先从数据库里找到符合各项参数要求的数据
query <- GDCquery(project = "TCGA-LIHC",
legacy = FALSE,
experimental.strategy = "RNA-Seq",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification",
workflow.type = "HTSeq - Counts")
#再使用命令GDCdownload(）下载
GDCdownload(query)下载成功后的运行结果
> GDCdownload(query)
Downloading data for project TCGA-LIHC
GDCdownload will download 424 files. A total of 104.380925 MB
Downloading as: Fri_Apr_26_00_38_40_2019.tar.gz
Downloading: 100 MB