TCGA数据挖掘（一）：TCGAbiolinks包介绍

肿瘤基因组图谱（TCGA）计划是由美国National Cancer Institute（NCI）和National Human Genome Research Institute（NHGRI）于2006年联合启动的项目，研究的癌症类型从最开始的多形性成胶质细胞瘤（GBM）到现在为止共有39种，涉及29种癌症器官，1万多个肿瘤样本，27万多份文件，当然其项目也将于2017年接近尾声。

网址：https://portal.gdc.cancer.gov/

对于肿瘤研究者来说，TCGA数据库就是一个资源宝库，里面有很多有价值的信息可以挖掘，关于TCGA数据挖掘的工具很多，包括在线工具和R包。这里我们主要是通过R语言进行挖掘，所以需要有一点R语言基础。R语言快速入门可参考文章：R语言编程基础第一篇：语法基础。也可以自己找教程自学，网上教程很多，学习了R以后，我们就的真正的去了解TCGA数据库，我们之前的文章：TCGA数据库使用教程对该数据库进行了详细的介绍，不了解该数据库的同学可以先了解网页版的使用。

使用R语言挖掘TCGA数据，可以用的包很多，比如GDCRNATools包，以及之前我们介绍过的TCGA-Assembler包。在这里我们就不推荐使用这些包，我们只推荐本文要介绍的TCGAbiolinks包。这个包的功能很强大，学会了这个包几乎就已经够用，不用在学其他包。今天我们开始

第一讲：TCGAbiolinks包背景知识介绍

TCGAbiolinks -一个用于TCGA数据综合分析的R/BioConductor软件包，能够通过GDC Application Programming Interface (API)访问 National Cancer Institute (NCI) Genomic Data Commons (GDC) ，来搜索、下载和准备相关数据，以便在R中进行分析。

1.TCGAbiolinks包的安装

devtools::install_github(repo = "BioinformaticsFMRP/TCGAbiolinks")

也可以通过下面代码安装

# 当前R的版本是"3.6"，对应的TCGAbiolinks版本是"3.7" or "3.8"
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("TCGAbiolinks", version = "3.8")

安装成功后就是加载包了，如果加载还需要某些包，就先安装相应的包：

library(TCGAbiolinks)
library(dplyr)
library(DT)

2.参考文献

文章中使用了该包，请引用：

Colaprico A, Silva TC, Olsen C, Garofano L, Cava C, Garolini D, Sabedot T, Malta TM, Pagnotta SM, Castiglioni I, Ceccarelli M, Bontempi G and Noushmehr H. "TCGAbiolinks: an R/Bioconductor package for integrative analysis of TCGA data." Nucleic acids research (2015): gkv1507.

此外，如果您使用ELMER分析，请引用：

Yao, L., Shen, H., Laird, P. W., Farnham, P. J., & Berman, B. P. "Inferring regulatory element landscapes and transcription factor networks from cancer methylomes." Genome Biol 16 (2015): 105.

Yao, Lijing, Benjamin P. Berman, and Peggy J. Farnham. "Demystifying the secret mission of enhancers: linking distal regulatory elements to target genes." Critical reviews in biochemistry and molecular biology 50.6 (2015): 550-573.

3.TCGA条码（barcode）

TCGA条码由一组标识符组成。每个都专门标识一个TCGA数据元素。有关元数据标识符如何组成条形码的说明，请参见下图：

更多TCGA barcode信息：

https://docs.gdc.cancer.gov/Encyclopedia/pages/TCGA_Barcode/

接触和分析过TCGA数据的朋友肯定会经常处理TCGA barcode的前15位（有时12位），实际从上图可以看出TCGA的barcode设计总共有28位之多。

每一个短横杠衔接的都是含不同意义的序列，如下图：

另外，将barcode的组成从层次结构（树）来看，是这样的：

可参考：

https://docs.gdc.cancer.gov/Encyclopedia/pages/images/TCGA-TCGAbarcode-080518-1750-4378.pdf

4.TCGAbiolinks可以使用两种方法下载GDC数据：

client：此方法创建MANIFEST文件并使用 GDC Data Transfer Tool下载数据。此方法更可靠，但与api方法相比可能更慢。

api：此方法使用 GDC Application Programming Interface (API)下载数据。这将创建一个MANIFEST文件，并且下载的数据将是一个格式为tar.gz的压缩文件。如果文件的大小和数量太大，这个tar.gz文件会太大导致下载失败的可能性提高。为了解决这个问题，我们将使用files.per.chunk功能将文件拆分成多个小文件，例如，如果chunks.per.download等于10，我们将每个tar.gz分为10个小文件下载。

5.数据准备：SummarizedExperiment对象

使用 SummarizedExperiment package，我们可以从SummarizedExperiment对象中提取三个主要的数据矩阵。

colData(data)：获得样本信息的矩阵，包括了从对应TCGA论文中获得的临床数据以及肿瘤亚型信息。

assay(data)：获得Assay信息的矩阵，就是每一个样本中基因的表达量。

rowRanges(data)：获得特征（一般是指基因）信息的矩阵，包括特征的元数据，例如基因所在基因组范围。

6.Summarized Experiment：注释信息

使用GDCprepare函数时，会调用一个参数SummarizedExperiment，该参数决定了输出类型为Summarized Experiment（默认选项）或数据框。为了创建一个Summarized Experiment对象，我们需要使用最新的基因组注释文件进行数据注释。比如：1）对于legacy数据（与hg19对齐的数据），TCGAbiolinks正在使用GRCh37.p13进行注释；2）对于harmonized数据（与hg38对齐的数据），TCGAbiolinks正在使用GRCh38.p7 (May 2017)进行注释。不幸的是，在GRCh38.p7 这样的注释文件更新后，比如一些基因缩写名称的改变/删除、更改基因坐标等。这可能会导致一些TCGA数据的丢失。例如，如果基因被删除，我们就不能再映射它了，那么在SummarizedExperiment中这些信息会丢失。如果设置SummarizedExperiment为FALSE，您将获得未修改的数据，并需要您自己去注释。此外，DNA甲基化数据并没有更新。但是可以在这里找到最新的元数据：http://zwdzwd.github.io/InfiniumAnnotation

7.GDCquery()参数解析

TCGAbiolinks包的函数很多，但GDCquery()函数是必须要介绍的，其他函数介绍肯文末，我们后续用到也会做详细的讲解。

（1）project

可以使用getGDCprojects()$project_id得到各个癌种的项目id，总共有52个ID值。

（2）data.category

data.category总共有8种

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，case_count为病人数，file_count为对应的文件数。要下载表达谱，可以设置data.category="Transcriptome Profiling"

（3）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，查看data.type有12种，但设置参数的时候不代表所有的project和data.category都对应12种。先在官网查看后再设置。

#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"

（4）workflow.type

该数据类型有很多种，根据data.type的不同而不同，不同的数据类型，有其对应的参数可供选择。比如Gene Expression Quantification数据类型下workflow.type 有4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

STAR - Counts

具体可在GDC官网查看

（5）legacy

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。

（6）access

数据开放和不开放，有两个参数:controlled, 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。

（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。在GDC Data Portal下载数据，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"

关于其他函数及参数介绍可以阅读官方文档：http://www.bioconductor.org/packages/release/bioc/manuals/TCGAbiolinks/man/TCGAbiolinks.pdf

当然，后续教程中我们用到什么函数也会详细的讲解。

下一讲预告：TCGAbiolinks下载TCGA数据