TCGA学习01：数据下载与整理

前言交代

1、学习参考

之前参加了生信技能树花花老师的TCGA数据挖掘试讲课，收获很多，最近整理一下上课笔记，同时参考了老师的简书相关教程。生信入门的朋友也可微信加入生信星球公众号，个人觉得很好的一个学习平台。一起来学习吧~

2、笔记内容

（1）在TCGA公共数据库，下载某一类癌症的某一种RNA的count数据，以及相应的病人临床信息；
（2）根据count数据进行差异分析，结合病人临床信息进行生存分析以及建模预测

课程还介绍有几点更深入的研究，就不记录了，可以参看老师的简书教程。

3、学习目标

TCGA的大致流程；R操作.....

第一步：数据下载与整理

1、下载

1.1 官网下载“脚本”文件

• （1）进入GDC官网的repository条目https://portal.gdc.cancer.gov/repository

• （2）先在case选项中分别选择Primary Site（癌症位置）、Programme（选TCGA），还可以再选Project，我这里没选
  出于小样本量考虑，选了testis的site，后来查了下原来是.......

  

  case

• （3）基于选择的case，在file选项中选择miRNAcount数据（因为小），注意改下名字，避免冲突，下同。

  

  miRNA count数据

• （4）基于选择的case，在file选项中选择病人临床信息数据，注意要是bcr xml格式

  

  image.png

这里注意一下count矩阵信息有157个样本；临床信息则只有135份，对差异分析应该没影响；不知道会对后面生存分析等会不会有影响，存疑。
还有会注意到上面下载的两个文件只有几十KB大小，因为仅仅是类似下载“脚本”的文件，还需要利用GDC提供的程序下载到本地。

• （5）下载程序有不同系统版本，在https://gdc.cancer.gov/access-data/gdc-data-transfer-tool选择适合自己系统的，一般window的R中提供的terminal终端使用window版本即可。下载代码如下：

mkdir mirna clinical
head gdc_manifest.2020-05-02.clinical.txt
./gdc-client download -m gdc_manifest.2020-05-02.mirna.txt -d mirna/
# -d表示储存路径
./gdc-client download -m gdc_manifest.2020-05-02.clinical.txt -d clinical/
# 切换到R
length(dir("./clinical/"))  #统计子目录数
length(dir("./mirna/"))

• 以上两种数据文件就下载好了，但需要整理成我们想要的表达矩阵与临床信息的文件类型。

老师教程还提供了另外两种下载方式，基于R包实现的。但GDC下载还是比较常用的。

2、整理

2.1 整理临床信息

library(XML)  #clinical临床信息为xml格式，我们目的转换成df
result <- xmlParse("./clinical/0f133012-23ef-4237-acfd-47b132b99775/nationwidechildrens.org_clinical.TCGA-W5-AA2Q.xml")
rootnode <- xmlRoot(result)
rootsize <- xmlSize(rootnode)  #结果显示有两个节点
print(rootnode[2])  #病人信息在第二部分
xmldataframe <- xmlToDataFrame(rootnode[2])  #转换成df，发现是长长的一行
head(t(xmlToDataFrame(rootnode[2])))

临床信息很多

xmls = dir("clinical/",pattern = "*.xml$",recursive = T)
#目的是取出所有的xml文件，pattern = "*.xml$"用正则表达式匹配；recursive = T表示递归模式。
head(xmls) #是带路径的

head(xmls)

td = function(x){
  result <- xmlParse(file.path("clinical/",x))  #补成全路径
  rootnode <- xmlRoot(result)
  xmldataframe <- xmlToDataFrame(rootnode[2])[c(
    'bcr_patient_barcode',
    'vital_status',
    'days_to_death',
    'days_to_last_followup',
    'race_list',
    'days_to_birth',
    'gender' ,
    'stage_event'
  )]
  return(t(xmldataframe))  #返回每个病人的信息df
}  #编写小函数，批量处理
cl = lapply(xmls,td)  # xmls即为td函数的x，lapply逐个处理，结果储存在cl列表中
do.call(cbind,cl)

cl_df <- t(do.call(cbind,cl))  #将所有病人信息合并
cl_df[1:3,1:3]
class(cl_df) #为矩阵
clinical = data.frame(cl_df)
rownames(clinical) <- stringr::str_to_upper(clinical$bcr_patient_barcode)
clinical <- clinical[,-1]
dim(clinical)
clinical[1:4,1:4]

最终的clinical数据

2.2 整理表达矩阵

length(dir("./mirna/"))   #157
x = read.table("mirna/01b6ce76-61a8-4bc4-b0d7-f69d4ce187d6/3fa67c62-6856-42fe-a9f1-fa6831f42b53.mirbase21.mirnas.quantification.txt"
               ,header = TRUE)
head(x)

原始每个样本表达矩阵信息

mis = dir("mirna/",pattern = "*tification.txt$",recursive = T)
mis
length(mis)
#同样先取名
ex = function(x){
  result <- read.table(file.path("mirna/",x),sep = "\t",header = TRUE)[,1:2]
  return(result)
}

#批量读取函数
mi = lapply(mis,ex)   #结果是第一列为基因名，第二列为count数的两列数据
mi_df <- t(do.call(cbind,mi))  #合并并转置，因为45个病人所以90行
dim(mi_df)
tmp = mi_df[1:4,1:4]
tmp

tmp

colnames(mi_df) <- mi_df[1,]   #添加列名
mi_df[1:4,1:5]
#奇数列（基因名）是重复多余的，只保留偶数列
mi_df <- mi_df[seq(2,nrow(mi_df),2),]
dim(mi_df)
mi_df[1:4,1:4]
#转为数值型
mi_df <- apply(mi_df, 2, as.numeric)
mi_df[1:4,1:4]

mi_df

• 表达矩阵基本成形，但会发现致命的缺点--没有行名，即病人信息，目前只知道原始矩阵的文件名（见上head(xmls)图），但不是我们需要的病人ID类型，因此还要回GDC网站下载相应的json文件，里面包含有名称对应关系。

• 下载方法（如下图）：选择count或临床信息时，全选加入购物车，点击购物车，然后点击Metadata即可。这里因为是给表达矩阵加行名，所以选择count数据的157个样本到购物车。

  

  下载json文件

#接下来利用json文件给表达矩阵加上行名----
dim(mi_df)
meta <- jsonlite::fromJSON("metadata.cart.2020-05-02.157.json")
#观察到associated_entities列中每一格都是一个df，里面存放着病人的各种相关ID；
#其中entity_submitter_id即我们想要的,meta有157行，就对上了
meta$associated_entities[[1]]

meta里的id

entity <- meta$associated_entities
#取第四列，为列表，包含4个元素，每个元素为一个df
class(entity[157])
entity[[157]][4]
class(entity)
jh = function(x){
  as.character(x[4])
}   #取df中的entity_submitter_id，即我们最终想给矩阵加上的样本名
jh(entity[[1]])
ID = sapply(entity,jh)   #取得了所有的病人ID
head(ID)

image.png

options(stringsAsFactors = F)
file2id = data.frame(file_name = meta$file_name,
                     #meta中file_name列即为我们下的mrna的文件名字
                     ID = ID)
#file2id表格157行2列，即储存着我们想要的文件名与ID的对应关系
head(mis)  #mis文件是我们下载mrna的gz文件的递归路径，注意是有顺序的

head(mis)

#注意mis的样本顺序与之前表达矩阵样本顺序相同
mis2 = stringr::str_split(mis,"/",simplify = T)[,2]   #取文件名
mis2[1] %in% file2id$file_name #序列匹配与否
#接下来就要把file2id列表按mis2排序，再把病人ID加到表达矩阵上

#match(A,B)
head(match(mis2,file2id$file_name))
#排序可以验证一下，match返回值的第一个是38，意思mis2的第一个元素是file2id$file_name的第38个元素。
mis2[1] == file2id$file_name[38]
row_tcga = file2id[match(mis2,file2id$file_name),]
#调整file2id行顺序以适应我们下载的miran数据
#如上match(mis2,file2id$file_name)第一个值为4；就把第四行放到第一行
rownames(mi_df) = row_tcga$ID #最后一步
#给mi_df添加行名
mi_df[1:4,1:4]

mi_df[1:4,1:4]

expr = t(mi_df)
dim(expr)
expr = expr[apply(expr, 1, function(x) {
  sum(x > 1) > 9  #过滤掉低表达基因
}), ]
dim(expr)
group_list=ifelse(as.numeric(substr(colnames(expr),14,15)) < 10,'tumor','normal')
# 01转为tumor，大于10转为normal
table(group_list)  #只有tumor样本
# group_list
# tumor
# 157
group_list <- factor(group_list,levels = c("normal","tumor"))  #分组因子

• 为什么01转为tumor，大于10转为normal呢？参考癌症类型和样本代号详解TCGA一文中，Sample号从01-29的，其中01-09是tumor，也就是癌症样本；其中10-29是normal，也就是癌旁。

  

  TCGA编号

• 不过遗憾的是我尝试找的两个小样本癌中都是只有tumor样本(<10)，就是说不能做差异分析了，就暂时先用花花老师的数据吧。

save(expr,clinical,group_list,file = "gdc.Rdata")

• 综上，我们一共得到三个文件，用于接下来的分析

  

  表达矩阵&样本信息&分组信息

• 不足之处：（1）表达矩阵与样本信息数量不同；（2）表达矩阵全是tumor样本。