TCGA背景知识及数据整理

---title: "新版TCGA数据下载_便捷"output: html_documenteditor_options: chunk_output_type: console--- ```{r setup, include=FALSE}knitr::opts_chunk$set(echo = TRUE,message = F,warning = F)``` ### 1.查看TCGA的33个project ```{r}rm(list = ls())library(TCGAbiolinks) #没安装的话这里可以百度安装方式library(stringr)library(SummarizedExperiment)projs <- getGDCprojects()$project_id %>% str_subset("TCGA")projs``` ### 2.下载并整理表达矩阵 去这个链接，找到你要的癌症的count和临床信息数据，下载下来放在工作目录下 https://share.weiyun.com/ZMQdPBLC 密码：xjlshh ```{r}proj = "TCGA-CHOL" #这里CHOL可以替换成你想要的癌症，参考前面的projectload("chol_exp.Rdata")exp = chol```#加粗的都是可替换的名称 ### 3.下载并整理临床信息 ```{r}load("chol_clinical.Rdata")clinical = chol_clinical``` ### 4.表达矩阵行名ID转换 ```{r}library(tinyarray)exp = trans_exp_new(exp)exp[1:4,1:4]``` gdc下载的数据从此处开始衔接 ### 5.基因过滤 需要过滤一下那些在很多样本里表达量都为0或者表达量很低的基因。过滤标准不唯一。 过滤之前基因数量： ```{r}nrow(exp)``` #### 常用过滤标准1： 仅去除在所有样本里表达量都为零的基因 ```{r}exp1 = exp[rowSums(exp)>0,]nrow(exp1)``` #### 常用过滤标准2(推荐)： 仅保留在一半以上样本里表达的基因 ```{r}exp = exp[apply(exp, 1, function(x) sum(x > 0) > 0.5*ncol(exp)), ]nrow(exp)``` ### 6.分组信息获取 根据样本ID的第14-15位，给样本分组（tumor和normal） ```{r}Group = make_tcga_group(exp)table(Group)``` ### 7.保存数据 ```{r}save(exp,Group,proj,clinical,file = paste0(proj,".Rdata"))```

---title: "新版TCGA数据下载_自力更生版"output: html_documenteditor_options: chunk_output_type: console--- ```{r setup, include=FALSE}knitr::opts_chunk$set(echo = TRUE,message = F,warning = F)``` ### 1.查看TCGA的33个project ```{r}rm(list = ls())library(TCGAbiolinks)library(stringr)library(SummarizedExperiment)projs <- getGDCprojects()$project_id %>% str_subset("TCGA")projs``` ### 2.下载并整理表达矩阵 ```{r}proj = "TCGA-CHOL"f1 = paste0(proj,"expf.Rdata")if(!file.exists(f1)){ query = GDCquery(project = proj, data.category = "Transcriptome Profiling", data.type = "Gene Expression Quantification", workflow.type = "STAR - Counts",) GDCdownload(query) dat = GDCprepare(query) exp = assay(dat) #tpm = assay(dat,4) save(exp,file = f1)}load(f1)``` ### 3.下载并整理临床信息 ```{r}f2 = paste0(proj,"clf.Rdata")if(!file.exists(f2)){ query = GDCquery(project = proj, data.category = "Clinical", data.type = "Clinical Supplement", file.type = "xml" ) GDCdownload(query) dat = GDCprepare_clinic(query,clinical.info = "patient") k = apply(dat, 2, function(x){!all(is.na(x))});table(k) clinical = dat[,k] save(clinical,file = f2)}load(f2)``` ### 4.表达矩阵行名ID转换 ```{r}library(tinyarray)exp = trans_exp_new(exp)exp[1:4,1:4]``` gdc下载的数据从此处开始衔接 ### 5.基因过滤 需要过滤一下那些在很多样本里表达量都为0或者表达量很低的基因。过滤标准不唯一。 过滤之前基因数量： ```{r}nrow(exp)``` #### 常用过滤标准1： 仅去除在所有样本里表达量都为零的基因 ```{r}exp1 = exp[rowSums(exp)>0,]nrow(exp1)``` #### 常用过滤标准2(推荐)： 仅保留在一半以上样本里表达的基因 ```{r}exp = exp[apply(exp, 1, function(x) sum(x > 0) > 0.5*ncol(exp)), ]nrow(exp)``` ### 6.分组信息获取 根据样本ID的第14-15位，给样本分组（tumor和normal） ```{r}Group = make_tcga_group(exp)table(Group)``` ### 7.保存数据 ```{r}save(exp,Group,proj,clinical,file = paste0(proj,".Rdata"))```