新版TCGA中RNAseq数据基因名居然有重复？！
新版TCGA中RNAseq数据基因名居然有重复？！
TCGA数据库在2022年4月初进行更新之后，RNAseq的数据格式发生了很大变化，给我们广大的科研工作者带来了极大的不便。小编也是在第一时间给大家展示了TCGA数据库的变化，用图文的方式详细介绍了新版TCGA数据库RNAseq数据下载方法。
☞ TCGA数据库悄咪咪更新了—RNAseq没有HTSeq-Counts了
小编也针对新版TCGA数据库格式，为各位小伙伴提供了两种合并新版TCGA中RNAseq表达谱数据的方法
最近小编在基于合并的表达谱数据做下游分析的时候，发现了一个很诡异的事情。想把合并的表达矩阵再读到R里面，得到了一个error
count=read.table("RNAseq_STARcounts.txt",header=T,sep="\t",row.names=1)
一开始不能接受这个事实，理论上导出来的矩阵带有行名，没有报错。为什么再读进去会报这个错了。冷静下来，去找原因。我们从最开始的count文件开始查找。一顿操作猛如虎，基因名字数一数。这一数还真有重复。这个文件原本基因名字是没有重复的，只是在我们处理的过程中产生的重复。怎么听起来这么像鲁迅先生的说过的一句话。问题的元凶长这样的。
PAR_Y是个什么鬼，摆渡一下。
PAR（Pseudoautosomal Region，拟常染色体区域）。X和Y染色体上与常染色体同源的区域。发现3段PAR: PAR1, PAR2和PAR3。
PAR1和PAR2位置分别为：
chrY:10,000-2,781,479 and chrY:56,887,902-57,217,415
chrX:10,000-2,781,479 and chrX:155,701,382-156,030,895
这个应该是根mapping时用到的reference相关的，既然Y染色体上有根常染色体同源的区域。那么比对的时候，能比对到常染色体上的reads，也可以比对到Y染色体上相应的同源区域。一般我们制作reference的时候会排除PAR。count文件里面虽然有带PAR的基因，但是表达量都是0。不仅没有实质性的作用，还在这里添乱。查了一下，一共44个这样的害群之马。
接下来，我们把这44个带PAR的基因删掉。至于删除的方法，有两种。都会用到我们前面介绍过的正则表达式
1）正向筛选，筛选匹配ENSG+数字+.+数字的基因名，保留。
2）反向筛选，筛选以_PAR_Y为后缀的基因名字，删除。
这里小编用的第一种方法，因为这种方法筛选出来的肯定是正常的基因名。而第二种方法，不能排除其他的幺蛾子。但是小编可以负责人的告诉大家，目前TCGA中RNAseq的数据，只有这44个基因是幺蛾子，所以两种方法的结果是一样的。筛选前基因总数60660，删选之后基因总数60616，正好差值44。
我们在来验收一下，没有任何问题。删除重复基因之后，可以顺利读到R里面，基因名作为行名。
注意：小编已经更新了R代码和零代码合并工具，已付费用户可以原链接下载更新后的代码和工具，链接参考下面两篇文章。
后记：小编也是一个普普通通的人，肯定会有考虑不周的地方。熟话说，知错能改，善莫大焉。大家如果发现其他bug，请给小编留言。小编一定与时俱进，第一时间亡羊补牢！