必会的TCGA数据挖掘工具之RTCGA

作图丫

发布于 2022-03-29 11:34:47

4430

发布于 2022-03-29 11:34:47

文章被收录于专栏：作图丫

导语

GUIDE ╲

RTCGA不是一个单独的包，而是一系列按TCGA数据类型分开的R包集合。

背景介绍

TCGA数据库作为癌症研究的首选公共数据库，整合了各种癌症的多组学数据，主要包含DNA、mRNA、miRNA、total RNA sequencing以及甲基化、拷贝数等多种数据类型，今天小编给大家带来的是一个针对TCGA多种数据类型进行下载和分析的工具--RTCGA！

RTCGA的工作流程主要如下图所示：

（参考链接：https://rtcga.github.io/RTCGA/index.html）

在作者的说明文件可以看到，目前最新的数据是更新到2016.1.28，数据类型主要包括:mutations,RNA-seq,clinical,mRNA,miRNA-seq,RPPA,CNV,methylation.

R包安装

首先用bioconductor安装RTCGA包，在获取不同类型的数据进行分析的过程中，都要先安装特定的包！

BiocManager::install("RTCGA")
library(RTCGA)
#先用infoTCGA()看一下R包中的数据统计
infoTCGA()

数据获取及分析

基因表达数据

在这里我们用COAD，LUAD两种癌症作为示例，基因选取TP53、PTEN、METTL3。

##首先提取这三个基因在COAD、LUAD中的表达矩阵
library(RTCGA.mRNA)
expr <- expressionsTCGA(COAD.mRNA, LUAD.mRNA,
                        extract.cols = c("TP53", "PTEN", "METTL3"))
expr

去掉dataset列的'.mRNA'后缀，方便后续可视化

#计数一下两种癌症的样本数
nb_samples <- table(expr$dataset)
nb_samples
expr$dataset <- gsub(pattern = ".mRNA", replacement = "",  expr$dataset)
expr$bcr_patient_barcode <- paste0(expr$dataset, c(1:172, 1:32))
head(expr)

可以通过ggpubr包对表达数据进行一个可视化统计：

ggboxplot(expr, x = "dataset",
          y = c("TP53", "PTEN", "METTL3"),
          combine = TRUE,
          color = "dataset", palette = "jco",
          ylab = "Expression", 
          add = "jitter",                              # Add jittered points
          add.params = list(size = 0.1, jitter = 0.2)  # Point size and the amount of jittering
)

可以标注一些显著的基因

ggboxplot(expr, x = "dataset",
          y = c("TP53", "PTEN", "METTL3"),
          combine = TRUE,
          color = "dataset", palette = "jco",
          ylab = "Expression", 
          add = "jitter",                               # Add jittered points
          add.params = list(size = 0.1, jitter = 0.2),  # Point size and the amount of jittering
          label = "bcr_patient_barcode",                # column containing point labels
          label.select = list(top.up = 2, top.down = 2),# Select some labels to display
          font.label = list(size = 9, face = "italic"), # label font
          repel = TRUE                                  # Avoid label text overplotting
)

PCA分析

使用RTCGA.rnaseq包数据进行PCA分析，expressionsTCGA ()函数获取表达数据，在这里我们使用全部基因进行PCA。

expressionsTCGA()如指定参数extract.cols，则返回特定基因在各个样本的表达量，如果想返回特定基因，可将参数赋值为“Gene symbol|Gene ID”形式，如 'VENTX|27287'。

library(RTCGA.rnaseq)
expressionsTCGA(COAD.rnaseq, LUAD.rnaseq) %>%
  rename(cohort = dataset) %>%  
  filter(substr(bcr_patient_barcode, 14, 15) == "01") -> plot
pcaTCGA(plot, "cohort") -> plot
plot(plot)

生存分析

使用RTCGA.clinical包获取生存数据，按照癌症类型分为38个数据集，名称分别为COAD.clinical, LUAD.clinical等。

以COAD数据集为例，首先看一下数据集的内容：

library('RTCGA.clinical')
library('tidyverse')
clinical=COAD.clinical
head(colnames(clinical))
dim(clinical)

使用survivalTCGA()函数可以从RTCGA.clinical中获取临床数据，如果不注明extract.cols参数，那么结果只有三列：times 、bcr_patient_barcode、patient.vital_status，分别是生存时间、barcode及病人生存状态。

# 获取COAD和LUAD的生存数据
survivalTCGA(COAD.clinical, LUAD.clinical, extract.cols = 'admin.disease_code') -> clinical_plot
# kmTCGA绘图
kmTCGA(clinical_plot, explanatory.names = 'admin.disease_code', pval = TRUE)
kmTCGA(clinical_plot, explanatory.names = 'admin.disease_code', main = '',
#设置随访时间
xlim = c(0,4000))