零基础入门转录组分析——数据处理（TCGA数据库）

零基础入门转录组分析——数据处理（TCGA数据库）

目录

• 零基础入门转录组分析——数据处理（TCGA数据库）
• • 1. 数据集获取
  • 2. 数据处理（Rstudio）
  • 配套资源链接：[配套资源（代码+原始数据+处理好的数据）](https://download.csdn.net/download/weixin_49878699/89052340)

    ---

    ---

    TCGA应该是肿瘤数据最权威的来源之一，但是从TCGA上下载数据集相对来说比较麻烦，因此出现了很多针对TCGA数据进行二次开发的衍生网站，XENA.UCSC就是很直观强大的一个在线网站，里面收录了众多数据库的数据集，其中就包括了TCGA数据集，并且是整合好的，可以直接用于分析。

    并且XENA.UCSC这个网站不仅能下载数据，还能进行在线分析，例如：KM分析，表达量分析等，详细情况可以参考好用的TCGA分析工具：UCSC Xena，但是在这篇教程中仅介绍如何从UCSC上下载所需要的TCGA数据集，并且下载后在R中对数据集进一步处理成后续分析所要的形式。

    ---

    ---

    本项目以非小细胞肺癌（non-small cell lung cancer，NSCLC）中的肺腺癌（lung adenocarcinoma，LUAD）作为展示
    选用的数据库是TCGA。
    物种：人类（Homo sapiens）
    实验分组：疾病组，对照组。
    我这里使用的R版本是4.2.2
    要用到的R包：tidyverse, rtracklayer, dplyr
    

    1. 数据集获取

    首先进入XENA.UCSC官网（如下图所示），点击箭头指向的位置进一步运行Xena。

    

    进一步点击DATA SETS进入Xena中存储数据集的页面

    

    如下图所示为Xena中存储数据集的页面，其中（1）就是收录的各种疾病的数据集，（2）是筛选条件，由于该网站不仅收录了TCGA数据库的，同样还收录了其他数据库的数据集，因此可以根据自己的需要选择想要的数据库及数据集。我们想要下载是TCGA数据集，因此勾选GDC Hub 和TCGA Hub（至于为什么会选择这两个，在下面会有个人的一点理解和解释）

    

    如下图所示，为勾选GDC Hub 和TCGA Hub的筛选情况，可以从图中看到两个都是TCGA数据集，那么区别是什么呢？

    

    直接以本教程要展示的疾病——肺腺癌（lung adenocarcinoma，LUAD）为例，分别找到对应的GDC-TCGA数据集和TCGA数据集，如下所示，分别点进去可以看到详细信息。

    

    

    如下图所示为GDC-TCGA肺腺癌数据集，可以看到整个界面干净简洁，并且图中标注出了4个红字部分就是我们后续要用到的数据，分别是原始Count，FPKM，Phenotype，以及survival data。

    

    4个数据解释如下：

    ---

    • counts——转录组的原始表达矩阵，里面对应的基因表达量又被称作raw_count，行名为基因symbol，列名为样本名（也是病人的id，可以将每一列看作一个病人）
    • fpkm——raw_count经过转换后的表达矩阵，其计算公式可参考一文了解Count、FPKM、RPKM、TPM | 相互间的转化 | 收藏教程
    • phenotype——病人的临床信息，包含分组信息，肿瘤分期，分级，年龄，性别等
    • survival——病人的生存信息，里面通常会有4列信息，两列的病人的id，另外两列：OS——生存状态（0表示存活，1表示死亡），OS.time——生存时间

      ---

      如下图所示为TCGA肺腺癌数据集，可以看到整个界面信息比较多，但也包括了基因表达量及患者的临床信息和生存信息。

      

      那么这两者区别是什么？可参考别人的教程：UCSC Xena数据库中GDC TCGA数据和TCGA数据的区别和聊UCSC xena的数据下载问题，但是解释的都不是很清楚，并且官方解释也是晦涩难懂，对于后续分析该选择哪个并没有做出很好的解答。

      总的来说就是TCGA这个数据集的发行年份更早，而GDC则是发行年份更晚一些，做科研的小伙伴也都知道一般都要追前沿，那我们这也不例外，选择一个最新的GDC数据库。

      同时于偶然间发现了一件事：GDC的数据处理要比TCGA更加方便！如下图所示，分别点进去GDC中的Counts和TCGA中的IlluminaHiSeq。

      

      结果如下所示是GDC的数据，其中（1）是基因的ensemble_ID，这个玩意可以直接转换成基因symbol，（2）表示该数据集GDC数据库是进行了log2（X+1）处理的，因此后续处理是要反转一下才能获得想要的count数据，（3）是下载的链接，只要点击即可下载数据。

      TCGA的数据如下图所示，其中（1）对应的不知道是什么，推测应该是探针的ID（没深入研究），也有可能是发行年份较早有些基因缺失。但是这个玩意要想转换成基因symbol，应该需要先找到对应的文件，才能转换成对应基因symbol，同时细心的小伙伴也可以发现TCGA这个数据库他只有20531个基因，而前面GDC数据库则是60489个基因，（2）同样表示该数据集是进行了log2（X+1）处理的，因此后续处理也是要反转一下，（3）是下载的链接。

      

      总的来说已目前的理解来看GDC数据库中的数据集更加方便简洁一些，可以直接通过ensemble_ID对应基因，因此选用一个更加方便的方法——GDC数据库，前面我们也说了图中（3）是下载链接；“照猫画虎，依葫芦画瓢”，以同样的方式下载FPKM，Phenotype，以及survival data，下载完后注意后缀是不是XX.tsv.gz或XX.tsv。如下图所示是下载好的数据集们，接下来要在R中让他们展示自我并做进一步处理。

      

      2. 数据处理（Rstudio）

      rm(list = ls()) # 删除工作空间中所有的对象
      setwd('/XX/XX/XX') # 设置工作路径
      if(!dir.exists('./00_rawdata')){
        dir.create('./00_rawdata')
      } # 判断该工作路径下是否存在名为00_rawdata的文件夹，如果不存在则创建，如果存在则pass
      setwd('./00_rawdata/') # 设置路径到刚才新建的00_rawdata下
      

      上传前面下载的4个tsv数据到Rstudio中（注意：最好上传到刚才创建的00_rawdata文件夹下），如下图所示，绿色的框就是要处理的原始文件。

      

      首先加载要用的包，万能的tidyverse，dplyr，rtracklayer如果没有安装这3个包，可以通过install.packages(‘XXX’)指令安装，XXX就是包的名字，例如：install.packages('tidyverse')

      library(tidyverse)
      library(dplyr)
      library(rtracklayer)
      

      ### 读入下载的数据
      tcga_count 
        num mete[i, 2] = "T"} # 判断：如果提取的数字在0-9之内就在每行第二列加上T表示肿瘤样本
        if(num %in% seq(10, 29)){mete[i, 2] = "N"} # 判断：如果提取的数字在10-29之内就在每行第二列加上N表示正常对照
      }
      colnames(mete)