新版TCGA数据转录组表达数据下载及整理（R语言）

新版TCGA数据转录组表达数据下载及整理（R语言）

引用

CSDN

1.

https://blog.csdn.net/weixin_52486108/article/details/137387864

TCGA（The Cancer Genome Atlas）是由美国发起的一项大型癌症基因组研究计划，旨在通过基因组分析技术研究癌症中的基因组变化。该项目包含了三十多种癌症的样本数据，每种癌症都有详细的预后随访信息，是一座巨大的数据宝库。本文将详细介绍如何使用R语言下载和整理TCGA的转录组表达数据。

TCGA数据概况

TCGA提供了多种类型的数据，包括：

• Clinical: 包含病人的一般情况、诊治情况、TNM分期、肿瘤病理、生存情况等。
• mRNA表达数据: 通过mRNA芯片或者RNAseq测得的mRNA表达量
• microRNA: microRNA芯片或者microRNA-Seq测得的microRNA表达量
• Copy number variation: SNP芯片得到的肿瘤组织比对正常组织的染色体上各片段的比值
• Mutation: 肿瘤组织测序结果相对参考基因组的核苷酸突变，包括插入和缺失等变化
• Protein: 蛋白芯片测序得到的约200种常见癌症相关蛋白的表达量
• Methylation: 甲基化芯片测得的DNA甲基化数据，主要为27和450两种芯片的数据

转录组数据的下载

进入TCGA数据下载页面：https://www.cancer.gov/ccg/research/genome-sequencing/tcga

下载步骤

1. 选择Access TCGA Data
   

2. 选择Projects
   

3. 左侧的原发部位Primary Site，选择乳腺癌（以乳腺癌为例）

4. 项目Program选择TCGA

5. 选择队列Cohort Builder

6. 在Program栏目选择TCGA

7. 在Project栏目选择简称TCGA-BRCA

8. 选择Repository

9. 在左侧找到Data Category选择转录组数据Transcriptome profiling
   数据类型Data Type选择Gene Expression Quantification

10. 加入到cart

下载两个文件分别是Cart文件和Metadata文件

下载完成后，将Cart文件解压到指定文件夹中。打开其中一例数据，可以看到包含以下项目：

• gene_id：此处的为ENSMBLE格式
• gene_name：symbol格式
• unstranded：基因的表达counts值
• tpm_unstranded：TPM值
• fpkm_unstranded：FPKM值

mRNA-Seq数据分为4种：

• Counts：测序的reads中比对到某个基因上的计数
• TPM：用来衡量转录本表达丰度的一种量度方式
• FPKM：用来衡量转录本表达丰度的一种量度方式
• FPKM-UQ：通过上四分位点进行标准化后的FPKM

数据格式转换参考：https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/Expression_mRNA_Pipeline/

使用R语言数据整理FPKM数据

以下是使用R语言整理FPKM数据的代码示例：

library(rjson)
library(limma)
setwd("C:\\Users\\TCGA-BRCA") #此处我将下载的数据，均放在TCGA-BRCA文件夹中，更改为自己的文件夹
metafile="metadata.cart.2024-03-24.json" #下载的metadata文件的名称
gdcfliename="gdc_download_20240324_144347.209765" #cart文件的名称
path1="gdc_download_20240324_144347.209765\\" #cart文件名+“\\”
outfilename="TCGA-STAD_FPKM.txt" #输出表达矩阵文件的名称
#为了方便大家使用，大家只用修改以上内容
json = jsonlite::fromJSON(metafile)
id = json$associated_entities[[1]][,1]
sample_id = sapply(json$associated_entities,function(x){x[,1]})
file_sample = data.frame(sample_id,file_name=json$file_name)  
count_file <- list.files(gdcfliename,pattern = '*gene_counts.tsv',recursive = TRUE)
count_file_name <- strsplit(count_file,split='/')
count_file_name <- sapply(count_file_name,function(x){x[2]})
matrix = data.frame(matrix(nrow=60660,ncol=0))
for (i in 1:length(count_file_name)){
  path = paste0(path1,count_file[i])
  data<- read.delim(path,fill = TRUE,header = FALSE,row.names = 1)
  colnames(data)<-data[2,]
  data <-data[-c(1:6),]
  data <- data[7] 
  colnames(data) <- file_sample$sample_id[which(file_sample$file_name==count_file_name[i])]
  matrix <- cbind(matrix,data)
}
sample1 = paste0(path1,count_file[1])
names=read.delim(sample1,fill = TRUE,header = FALSE,row.names = 1)
colnames(names)<-names[2,]
names <-names[-c(1:6),]
names = names[,1:2]
same=intersect(rownames(matrix),rownames(names))
matrix=matrix[same,]
names=names[same,]
matrix$symbol=names[,1]
matrix=matrix[,c(ncol(matrix),1:(ncol(matrix)-1))]
write.table(matrix,file=outfilename,row.names = F,quote = F,sep = "\t")  

以上就是TCGA转录组数据的下载和整理过程。通过这些步骤，研究人员可以获取高质量的基因表达数据，用于后续的生物信息学分析。