通过R包UCSCXenaTools链接UCSC的XENA浏览器来探索TCGA等公共数据

生信技能树

发布于 2022-07-26 10:06:51

6740

发布于 2022-07-26 10:06:51

文章被收录于专栏：生信技能树

前面我们介绍了MSKCC和Broad研究所的网页工具可以帮助我们探索TCGA数据库的多个癌症的多组学数据，见：

类似的机构其实还是 MD Anderson Cancer Center 和 UCSC，其中UCSC的XENA浏览器就把TCGA等公共数据整理的工工整整。官网链接是：https://xenabrowser.net/

同理，我们并不想介绍网页工具的用法，虽然它确实很强大，选择好感兴趣的癌症的数据集，输入基因或者临床信息，就可以看表达量差异以及分组后的生存分析图表。我们更想介绍的是生信工程师最喜欢的R代码形式，使用R包UCSCXenaTools就可以一次性的链接到 https://xenabrowser.net/datapages/ 全部的数据集。

前面的MSKCC和Broad研究所的网页工具都赫赫有名，其对应的R包通常是官方团队开发，因为R包本身仅仅是提供了一个接口去访问网页段能访问的数据文件而已，它提供的一些数据分析函数或者统计可视化函数并不出彩。而UCSC的XENA浏览器来探索TCGA等公共数据对应的R包稍微有一点点不一样，它并不是官方团队开发的，而是在华语生物信息学知识整理圈子小有名气的长期主义者：王诗翔。那我们一起来看看这个包吧。：

安装方式非常简单：

install.packages('UCSCXenaTools')

它的核心步骤是5个 generate, filter, query, download and prepare ，对应的函数是：XenaGenerate, XenaFilter, XenaQuery, XenaDownload and XenaPrepare

支持的数据集

这个UCSCXenaTools包自带了一个表格，是XenaData，可以看到：

library(UCSCXenaTools) 
data(XenaData)

> dim(XenaData)
[1] 1675   17

> as.data.frame(tail(sort(table(XenaData$XenaCohorts))))
                             Var1 Freq
1       TCGA Rectal Cancer (READ)   25
2           PCAWG (donor centric)   26
3 TCGA Endometrioid Cancer (UCEC)   26
4        PCAWG (specimen centric)   27
5        TCGA Ovarian Cancer (OV)   27
6        TCGA Pan-Cancer (PANCAN)   41

> length(unique(XenaData$XenaCohorts))
[1] 157

它不仅仅是涵盖了 https://xenabrowser.net/datapages/ 页面的 129 Cohorts, 1571 Datasets ,

而且可以看到绝大部分队列都是有表达量矩阵的：

> as.data.frame(tail(sort(table(XenaData$DataSubtype))))
                                      Var1 Freq
1                          DNA methylation  101
2                         pathway activity  103
3                 copy number (gene-level)  109
4 somatic mutation (SNPs and small INDELs)  142
5                                phenotype  284
6                   gene expression RNAseq  285

因为是多组学，有表型的数据才是活的，其它的，比如甲基化，点突变和拷贝数变异就不一定是每个队列都有。

数据虽然是多种多样，但是最后的本质仍然是4种文件格式：

> as.data.frame(tail(sort(table(XenaData$Type))))
            Var1 Freq
1 genomicSegment  152
2 mutationVector  203
3 clinicalMatrix  343
4  genomicMatrix  977

5大函数

前面提到了这个包其实就5大函数，包括：XenaGenerate, XenaFilter, XenaQuery, XenaDownload and XenaPrepare

首先举例查询肺癌的临床数据集文件列表：

# The options in XenaFilter function support Regular Expression
XenaGenerate(subset = XenaHostNames=="tcgaHub") %>% 
  XenaFilter(filterDatasets = "clinical") %>% 
  XenaFilter(filterDatasets = "LUAD|LUSC|LUNG") -> df_todo

df_todo

可以看到有3个clinicalMatrix可以下载：

> df_todo
class: XenaHub 
hosts():
  https://tcga.xenahubs.net
cohorts() (3 total):
  TCGA Lung Cancer (LUNG)
  TCGA Lung Adenocarcinoma (LUAD)
  TCGA Lung Squamous Cell Carcinoma (LUSC)
datasets() (3 total):
  TCGA.LUNG.sampleMap/LUNG_clinicalMatrix
  TCGA.LUAD.sampleMap/LUAD_clinicalMatrix
  TCGA.LUSC.sampleMap/LUSC_clinicalMatrix
>

然后针对筛选到的文件列表，进行下载：

# options(use_hiplot = TRUE)
XenaQuery(df_todo) %>%
  XenaDownload() -> xe_download
xe_download

其实就是解析了前面提到的3个临床信息文件的下载地址，如下所示：

1 https://tcga.xenahubs.net/download/TCGA.LUNG.sampleMap/LUNG_clinicalMatrix
2 https://tcga.xenahubs.net/download/TCGA.LUAD.sampleMap/LUAD_clinicalMatrix
3 https://tcga.xenahubs.net/download/TCGA.LUSC.sampleMap/LUSC_clinicalMatrix

一般来说，下载后会存储在当前R语言的临时工作目录，可以使用 tempdir() 函数获取到。因为是临时目录，所以每次重新打开R语言都会变动，理论上下载的文件是需要清理的，尤其是下载表达量矩阵或者甲基化信号值矩阵的时候，动辄就是几百个M或者几个G，大家的 tempdir() 函数的临时目录通常是在电脑C盘，很容易满。所以建议大家修改这个 XenaDownload() 函数的 destdir参数。

因为这个时候下载的是文件，并不在R里面，所以R包UCSCXenaTools最后一个函数就是读取这些文件到R里面，成为了一个列表：

cli = XenaPrepare(xe_download)
class(cli)

总体上就是5大函数，包括：XenaGenerate, XenaFilter, XenaQuery, XenaDownload and XenaPrepare 的配合，帮助大家无需访问 https://xenabrowser.net/datapages/ 网页，也可以获取下载链接，读入r里面进行后续处理。

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：2022-03-28，如有侵权请联系 cloudcommunity@tencent.com 删除

https