专栏首页生信补给站TCGA | 以项目方式管理代码数据 以及 数据读取存储

TCGA | 以项目方式管理代码数据 以及 数据读取存储

以项目的方式管理R代码和文件,可以很大程度规避 1)工作路径不对,2)找不到文件 ,3)代码和文件不对应 ,等常见的问题。

RStudio是一款流行的R语言IDE(开发者集成环境),在安装Rstudio之前一定要先安装R软件,本文简单的介绍如何使用Rstudio进行项目管理。

一 项目式管理代码 数据

1.1 新建New Project

打开Rstudio,点击左上角箭头所示的位置,选择New Directory,选择New Project

(或者File --- New Project --- New Directory --- New Project)

1.2 设置路径

点击 Browse 设置项目路径,然后填写工作路径,可以选择是否打开一个新的session

1.3 新建R script

然后点击Rstudio左上角的+,选择 R script ,,(R Markdown 和 R Presentation后面会介绍

以上,就新建了一个项目。

二 数据读取 存储

数据分析当然首先需要数据,之前的推文中用到了几种,比如

  • 载入R 或者 R包的内置数据集;
  • 通过matrix或者data.frame等构建简单的数据集 ;
  • 读取文件获取数据集 。

2.1 读取表达数据并转换Ensembl_ID

TCGA数据挖掘 | Xena - TCGA数据下载分享的是下载乳腺癌的数据,此处换为LAML,下载方式一样!

为啥?因为LAML样本少,读取快 ̄□ ̄||!

1 )读取表达量数据
rm(list = ls()) #一键清空
#载入R包
library(openxlsx)
library(tidyverse)

#读取表达量数据 TCGA-LAML.htseq_counts.tsv
fpkm <- read.table("TCGA-LAML.htseq_counts.tsv",sep = "\t" , header = T, 
                   #row.names =  "Ensembl_ID",
                   stringsAsFactors = FALSE ,
                   check.names = FALSE)
fpkm[1:4,1:4]

一些常用参数选项:

  • header:逻辑值,表示文件的第一行是否包含变量的标题;
  • sep:表示在同一行内,用于分割变量值的分隔符;
  • row.names:字符串类型的向量,用于指定行的名称。可以是一个向量,包含所有数据行的名称,也可以指定一个字符串,该字符串是文件的列名,那么数据集使用该列的值作为行的名称。
  • na.strings:用于表示缺失值的字符串向量,在读取数据时,当变量值匹配这些字符串中的任意一个时,把变量的值转换为NA。
  • quote:用于对有特殊字符的字符串划定界限的符号,默认值是双引号或单引号。
  • stringAsFactors:逻辑值,默认值是TRUE,用于指定是否把字符向量转换为因子。
  • check.names :逻辑值,默认值为TRUE,它会自动将变量名转换成唯一的字符型向量 。

需要注意列名,不设置`check.names`的话, 1 会变成 “X1” ,TCGA-AB-2949-03B会变成“TCGA.AB.2949.03B”,一些不识别的符号(如空格,%,#等)也会自动变化,需要特别注意。

2)读取probeMap文件,转换Ensembl_ID

下载表达矩阵的时候,记得下载对应的probeMap文件,方便将Ensembl_ID转为常见的基因symbol。

#gencode.v22.annotation.gene.probeMap
probeMap <- read.table("gencode.v22.annotation.gene.probeMap",sep = "\t" , header = T,
                   stringsAsFactors = FALSE ,
                   check.names = FALSE)
probeMap[1:4,1:4]

expr <- fpkm %>% 
  inner_join(probeMap, by = c("Ensembl_ID" = "id")) %>% 
  select(gene , starts_with("TCGA") )

    gene TCGA-AB-2949-03B TCGA-AB-2918-03A TCGA-AB-2943-03A
1 TSPAN6         5.129283         3.700440         5.209453
2   TNMD         1.000000         1.000000         0.000000
3   DPM1         9.972980         9.885696         9.868823
4  SCYL3         9.980140        10.052568        10.965784

详细的用法可查看:

Tidyverse| XX_join :多个数据表(文件)之间的各种连接

盘一盘Tidyverse| 筛行选列之select,玩转列操作

3. 处理临床和随访数据

注意临床数据和随访数据分开的!

#临床数据
cli <- read.table("TCGA-LAML.GDC_phenotype.tsv", header = T,sep = "\t" ,
                       stringsAsFactors = FALSE)
cli[1:4,1:4]
#随访数据
surv <- read.table("TCGA-LAML.survival.tsv", header = T,
                   stringsAsFactors = FALSE)
surv[1:4,1:4]
#结合,提取部分列
cli_surv <- cli %>% 
  inner_join(surv,by = c("submitter_id.samples" = "sample")) %>% 
  select(submitter_id.samples,age_at_index.demographic,gender.demographic,
         tumor_grade.diagnoses,tumor_stage.diagnoses,OS,OS.time)
head(cli_surv)

4. 数据保存之 write和save

write 输出文件:可以保存为多种格式,只能保存一个文件

save 保存数据:可以保存多个文件,使用时直接load即可,保存关键或者耗时的中间文件。

write.xlsx(cli_surv,"1-cli_surv.xlsx")
write.csv(cli_surv,"1-cli_surv.csv",row.names = FALSE) 
write.table(cli_surv,"1-cli_surv.txt",row.names = FALSE)

save(expr,cli,surv,cli_surv ,file = "Step1_data_join.RData")
#load("Step1_data_join.RData")

使用R Project 管理代码和数据,加上详细的注释,可以大大减少后面找数据,分析代码的时间!

本文分享自微信公众号 - 生信补给站(Bioinfo_R_Python),作者:生信补给站

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-10-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 精心整理(含图PLUS版)|R语言生信分析,可视化

    为了能更方便的查看,检索,对文章进行了精心的整理(PLUS)。建议收藏,各取所需,当前没用也许以后就用到了呢!

    西游东行
  • TCGA的28篇教程- 数据下载就到此为止吧

    因为TCGA是一个史无前例的癌症研究项目,值得介绍的东西太多,不能在下载这个基础环境耽误太多的功夫,下载渠道再多,也只需要一个好用的即可!

    生信技能树
  • 癌症基因组学的未来:将数据转化为应用

    大数据文摘
  • 100篇泛癌研究文献解读之核受体基因家族探索

    为了分析不同类型、组织起源肿瘤的共性、差异以及新课题。TCGA于2012年10月26日-27日在圣克鲁兹,加州举行的会议中发起了泛癌计划。参考:https://...

    生信技能树
  • 使用GDC在线查看TCGA数据

    GDC是Genomic Data Commons的缩写,是由美国国家癌症研究所NCI建立的一套癌症数据共享系统,整合包括TCGA在内的多个癌症数据库中的信息,提...

    生信修炼手册
  • 冰糖的专栏总结

    不知不觉2020年都要过去了,加入菜鸟团后发的第一篇推文都已经是三年以前的事情了:浅谈Entrez ID。

    生信菜鸟团
  • 使用 sigminer 进行突变模式分析

    突变模式分析(Mutual Signature Analysis)已经逐步成为变异检测后一个通用分析,本文简单介绍如何使用sigminer进行突变模式分析,以解...

    生信菜鸟团
  • GEPIA2详解(中国智造-肿瘤数据库)

    GEPIA2 是北京大学张泽民老师实验室开发的一个网站,能够对TCGA和GTEx项目共9736个肿瘤样本、8587个正常样本的RNA-seq表达数据进行分析。目...

    生信技能树
  • 生信知识库|肿瘤多组学文献精读 正式发布

    https://www.yuque.com/biotrainee/multiomics_paper

    王诗翔呀

扫码关注云+社区

领取腾讯云代金券