原来一个星期真的可以零基础入门TCGA数据挖掘，甚至markdown写作公众号投稿
生信技能树有话说：最近刚刚组建一个TCGA交流群：4年前的TCGA重磅资料你学了吗 把资料系统性整理给到了大家，发现其中一个群友聊天非常积极，而且看得到的进步，就要求他投稿，原题目是：
R菜鸟及生信菜鸟之第一篇Markdown笔记——歪打正着复现帖子的一个boxplot
作为一个刚入门生信的菜鸟，啥都不懂。
Linux不懂，bash不懂，R不懂[捂脸]。。。
测序技术不懂，测序数据库不懂。。。
甚至连Markdown也是第一次使用。。。
从没有掌握好一门编程语言，只靠零散的IT基础。。。
唯一有的优势是积攒多年的生物学背景及学习能力快【囫囵吞枣能力】。再者，作为当代有痣青年，在这个生物大数据横行，各种高通量技术横行的时代，怎能缺少咱们的影子[捂脸]，还想着花点钱搞个单细胞测序发个CNS啥的，哈哈。有幸碰到了生信技能树的团队，刚好有这个机缘，所以干脆就把脚踏入了这个圈。。。
走出舒适区，磨练自己。我的方法是边看生信技能树的教程，边学技术，遇到不懂的，直接google，直接pubmed（这两板斧最好用）。
话说，从接触R到现在（28/11）到现在（03/12）总共不到一个星期里，跟着依葫芦画瓢学习了几个TCGA数据库相关的教程。每个教程的code都是自己一个个手动打的，因为是一个个比较零散的教程，不成系统，所以基本大脑还没有形成套路。我最想做的事情就是研究SCI文章里面的数据挖掘套路，复现其数据处理过程及图表产出。不仅可以跟上SCI文章的思路，而且可以学到技术。希望后面自己的生信体系会越来越成系统。
言归正传，按这个思路，我系统性研读了生信技能树系统的数据挖掘专题目录：
其中 7. 肿瘤异质性+免疫浸润细胞数据挖掘(可能是最简单的3分⽂章了) 吸引了我的注意， 而且这个文章是TCGA数据库的挖掘，所以应该重复性不错。
说干就干，就临摹起了这个帖子。一个下午大半时间各种折腾安装相关的包。
同时泛读了这个帖子相关的三篇文献后：
开始干活。
Step1，Step2基本没啥问题都处理好了。
在处理Boxplot的时候，帖子作者在复现KI67的时候用的是“从UCSC Xena下载gene expression RNAseq”的data，处理好了之后导入到R里面的，然后发现出来的图与原SCI不一致。
SCI原文图：
帖子复现图如下：
帖子处理的KI67 基因在两组里面没有统计学差异。
我在这停顿了一下，帖子作者是从UCSC下载的数据，没有提供下载【捂脸】！继续不下去了，怎么办？只能自己操作获取。想起前几天学的cgdsr下载CGTA基因表达的数据，干脆就写了两句自己获取了，代码如下：
### get the mRNA expression
library(cgdsr)
mycgds <- CGDS("http://www.cbioportal.org/")
mycaselist = 'brca_tcga_rna_seq_v2_mrna'
mygeneticprofile = 'brca_tcga_rna_seq_v2_mrna'
MKI67 = getProfileData(mycgds,'MKI67',mygeneticprofile,mycaselist)
##get the sampleID
MKI67$Sample_ID <- chartr('.','-',substr(row.names(MKI67),1,12))
## Merge data with df
df_ki67 <- merge(df,MKI67)
## set log2 of KI67 expression
df_ki67$MKI67 <- log2(df_ki67$MKI67)
## 然后作图
library(ggpubr)
#install.packages("magrittr")
p1 <- ggboxplot(df, x="group",y="Mutation_burder",
fill = "group",
palette = "jco",
legend = "") +
stat_compare_means(method = "t.test")
p2 <- ggboxplot(df_ki67, x="group",y="MKI67",
fill = "group",
palette = "jco",
legend = "") +
stat_compare_means(method = "t.test")
ggarrange(p1,p2,ncol = 2,nrow=1)
姨？发现我处理出来的图基本吻合了SCI里面的boxplot！如下：
总结：应该是数据处理方式不同。我没有下载UCSC的数据，所以不知道里面是如何进行normalization的。在cgdsr拿到KI67 的表达量之后，我这里进行了log2处理以吻合原SCI的纵坐标。总之，歪打正着的赶脚。然后再测试了SCI文章Figure 3里面的基因，发现也基本吻合，如下图：
SCI原图：
不过p值和SCI文章不一致，估计和数据处理和异常值有关。
而后一直在找intratumor heterogeneity的数据，原SCI作者没说他的数据怎么来的。我估计也是从ATCG上处理过来的，可是我还不会~~~
这个帖子还没临摹完，后续继续做生存相关及免疫细胞亚群的分析。。。fighting
你不试一试，真的不知道自己有多厉害！
更多表达芯片的公共数据库挖掘系列更多教程，见推文 ；