TCGA数据下载与ID转换
咱公众号也不能只做一个系列，所以经过深思熟虑，打算将来慢慢增加一些内容，主要有以下几个系列
TCGA数据分析系列
GEO数据分析系列
"老板给一个基因，我该怎么办"系列
文献阅读系列
R语言学习系列
Python学习系列
今天继续我们的TCGA数据分析系列。
TCGA数据下载
TCGA数据下载的方式有很多，本次我们利用UCSC Xena数据库下载数据，网址是：https://xenabrowser.net/。该平台内置了一些公共数据集，比如来自TCGA, ICGC等大型癌症研究项目的数据，不仅可以对数据进行分析，而且还提供了对应文件的下载功能。
打开后界面是这样的
点击DATA SETS，里面有很多数据集，我们选择TCGA肝癌数据
接着我们选择HTSeq-Count
这里可以看到值log2（count+1），为什么加一呢，因为很多基因的表达值是0，无法取log。
下载下来，解压后打开是这个样子
接下来我们进行差异分析
首先加载R包
rm(list = ls())#一键清空#安装并加载R包if(length(getOption("CRAN"))==0) options(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")if(!require("rtracklayer")) BiocManager::install("rtracklayer")if(!require("tidyr")) BiocManager::install("tidyr")if(!require("dplyr")) BiocManager::install("dplyr")if(!require("DESeq2")) BiocManager::install("DESeq2")if(!require("limma")) BiocManager::install("limma")if(!require("edgeR")) BiocManager::install("edgeR")读取数据
#导入表达谱数据LIHCdata=read.table("TCGA-LIHC.htseq_counts.tsv",header=T,sep='\t')LIHCdata[1:4,1:4]利用我们之前讲到的方法去掉ensemble ID的点号R语言学习系列之separate {tidyr}
LIHCdata1<-separate(LIHCdata,Ensembl_ID,into = c("Ensembl_ID"),sep="\\.") LIHCdata1[1:4,1:4]接下来我们需要对ID进行转换，转换的方法也有很多，有R包，在线数据库。小工具等，这里我们通过下载最新版的GTF文件来进行转换。
首先，打开ensembl网址：http://asia.ensembl.org/index.html
点击Download
再点击Download database
再点击human的GTF文件
下载Homo_sapiens.GRCh38.99.chr.gtf.gz文件
然后放到我们R语言的工作目录内，打开文件
gtf <- rtracklayer::import('Homo_sapiens.GRCh38.99.chr.gtf.gz')#转换为数据框gtf <- as.data.frame(gtf)查看文件，保存文件为Rdata，将来方便我们直接打开
dim(gtf)save(gtf,file = "Homo_sapiens.GRCh38.99基因组注释文件.Rda")可见文件有290万行，27列，由于GTF文件中，基因ID的列名是gene_id,所以我们把LIHCdata1中的基因列名改成一样的，方便后续合并
colnames(LIHCdata1)[1]<-'gene_id'通过浏览文件看到我们需要的主要信息在
1 type，这一列我们需要选择gene
2 gene_biotype，这一列我们需要选择protein_coding，当然你也可以选择其他的种类，比如miRNA，长链非编码等。
所以我们首先把蛋白编码的基因的行都筛选出来
a=dplyr::filter(gtf,type=="gene",gene_biotype=="protein_coding")dim(a)这个时候a文件只有19939行了，列下来我们只选择gene_name，gene_id和gene_biotype这三列，其他都不要了
b=dplyr::select(a,c(gene_name,gene_id,gene_biotype))b[1:4,]接下来用LIHCdata1和b文件中共有的gene_id列还合并文件
c=dplyr::inner_join(b,LIHCdata1,by ="gene_id")c[1:5,1:5]再去掉第2，3列，基因名再去重
d=select(c,-gene_id,-gene_biotype)mRNAdata=distinct(d,gene_name,.keep_all = T)把行名由数字换成基因
rownames(mRNAdata)<- mRNAdata[,1]mRNAdata<-mRNAdata[,-1]我们下载的数据取过了log2（count+1），这里我们再返回count
mRNAdata <- 2^mRNAdata -1保存文件，大功告成！
write.csv(mRNAdata,"mRNAdata.csv",quote = F,row.names = T)save(mRNAdata,file = "mRNAdata.Rda")好了，今天先讲到这，下回我们来进行后续的差异分析。