一、GDC client下載
1.從網(wǎng)頁選擇數(shù)據(jù)，下載manifest文件
數(shù)據(jù)存放網(wǎng)站：https://portal.gdc.cancer.gov/
在Repository勾選自己需要的case和file類型。以CHOL為例：
case-Project選擇TCGA-CHOL。
file-選擇如圖：
左右分別是expdata 和clinical的樣本選擇截圖。選好后，點(diǎn)擊右側(cè)manifest鍵下載對應(yīng)的清單文件。
2.使用gdc-client工具下載
注意：
將gdc-client(mac)或gdc-client.exe(windows)放在工作目錄下；
將manifest文件放在工作目錄下。
options(stringsAsFactors = F)
library(stringr)
cancer_type="TCGA-CHOL"
if(!dir.exists("clinical"))dir.create("clinical")
if(!dir.exists("expdata"))dir.create("expdata")
dir()
#下面兩行命令在terminal完成
#./gdc-client download -m gdc_manifest_cl.2020-03-23.txt -d clinical
#./gdc-client download -m gdc_manifest_expdata.2020-03-23.txt -d expdata
length(dir("./clinical/"))
length(dir("./expdata/"))
可以看到，下載的文件是按樣本存放的，我們需要得到的是表格，需要將他們批量讀入R語言并整理。
3.整理臨床信息
library(XML)
result <- xmlParse("./clinical/142aea0e-7a7b-4ac4-9dbb-0f62e2379599/nationwidechildrens.org_clinical.TCGA-W5-AA2O.xml")
rootnode <- xmlRoot(result)
xmlSize(rootnode)
print(rootnode[1])
#print(rootnode[2])
xmldataframe <- xmlToDataFrame(rootnode[2])
head(t(xmlToDataFrame(rootnode[2])))
xmls = dir("clinical/",pattern = "*.xml$",recursive = T)
cl = list()
for(i in 1:length(xmls)){
result <- xmlParse(paste0("clinical/",xmls[[i]]))
rootnode <- xmlRoot(result)
cl[[i]] = xmlToDataFrame(rootnode[2])
}
clinical <- do.call(rbind,cl)
clinical[1:3,1:3]
4.整理表達(dá)矩陣
探索數(shù)據(jù)：先任選兩個counts文件讀取，并觀察geneid的順序是否一致。
options(stringsAsFactors = F)
x = read.table("expdata/03aee74e-4e37-4a58-a720-c90e807d2f40/be5bc6a0-9720-47ac-953e-fa8d0c32cd82.htseq.counts.gz",
row.names = 1,sep = "\t")
x2 = read.table("expdata/10d08172-48d2-49e7-b760-721163492cc1/c1071bcd-5a0c-4e09-a578-fc4b6dbe26ad.htseq.counts.gz",
row.names = 1,sep = "\t")
identical(rownames(x),rownames(x2))
由此可知，他們的geneid順序是一致的，可以直接cbind，不會導(dǎo)致順序錯亂。
批量讀取所有的counts.gz文件。
count_files = dir("expdata/",pattern = "*.htseq.counts.gz$",recursive = T)
exp = list()
for(i in 1:length(count_files)){
exp[[i]] <- read.table(paste0("expdata/",count_files[[i]]),row.names = 1,sep = "\t")
}
exp <- do.call(cbind,exp)
dim(exp)
exp[1:4,1:4]
發(fā)現(xiàn)問題：這樣產(chǎn)生出來的表達(dá)矩陣沒有列名。
解決辦法：找到一個文件名與樣本ID一一對應(yīng)的文件。cart-json文件。
meta <- jsonlite::fromJSON("metadata.cart.2020-03-23.json")
colnames(meta)
ids <- meta$associated_entities;class(ids)
ids[[1]]
ids[[1]][,1]
可以看到，meta$associated_entities是個列表，這個列表里包含數(shù)據(jù)框，數(shù)據(jù)框的第一列內(nèi)容就是tcga樣本id。
注意，換了數(shù)據(jù)需要自己探索存放在哪一列。不一定是完全一樣的，需要確認(rèn)清楚。
ID = sapply(ids,function(x){x[,1]})
file2id = data.frame(file_name = meta$file_name,
ID = ID)
文件名與TCGA樣本ID的對應(yīng)關(guān)系已經(jīng)得到，接下來是將其添加到表達(dá)矩陣中，成為行名。需要找到讀取文件的順序，一一對應(yīng)修改。
head(file2id$file_name,2)
head(count_files,2)
count_files2 = stringr::str_split(count_files,"/",simplify = T)[,2]
table(count_files2 %in% file2id$file_name)
count_files2的順序就是列名的順序，根據(jù)它來調(diào)整file2id的順序。此處需要再次理解一下match函數(shù)。
file2id = file2id[match(count_files2,file2id$file_name),]
colnames(exp) = file2id$ID
exp[1:4,1:4]
表達(dá)矩陣整理完成,需要過濾一下那些在很多樣本里表達(dá)量都為0的基因。過濾標(biāo)準(zhǔn)不唯一。
dim(exp)
#exp = exp[rowSums(exp)>0,]
exp = exp[apply(exp, 1, function(x) sum(x > 1) > 9), ]
dim(exp)
exp[1:4,1:4]
exp = as.matrix(exp)
分組信息
根據(jù)樣本ID的第14-15位，給樣本分組（tumor和normal）
table(str_sub(colnames(exp),14,15))
Group = ifelse(as.numeric(str_sub(colnames(exp),14,15)) < 10,'tumor','normal')
Group = factor(Group,levels = c("normal","tumor"))
table(Group)
save(exp,clinical,Group,cancer_type,file = paste0(cancer_type,"_gdc.Rdata"))
二、TCGAbiolinks下載
利用R包TCGAbiolinks進(jìn)行各種數(shù)據(jù)下載
三、cgds下載
四、RTCGA下載
五、RTCGAToolbox下載
使用R語言的RTCGAToolbox包獲取TCGA數(shù)據(jù)
參考
生信技能書 #TCGA 生信技能書之100篇
