新版TCGA数据转录组表达数据下载及整理（R语言）_Javascript

简介

由美国05年发起的癌症和肿瘤基因图谱（tcga，the cancer genome atlas）计划，旨在应用基因组分析技术研究癌症中的基因组变化，做了大规模的基因组测序，样本量过万，包含了三十多种癌症，其中尤其宝贵的是这些样本都有很详细的预后随访信息。tcga提供了大量的深度测序数据，包括gene expression, dna methylation, copy number variant, mutation还有更深度的exon expression外显子测序结果，最常用的是33种肿瘤及正常组织的高通量芯片或测序数据，其次包括10种罕见肿瘤，无疑是一座巨大宝库。此外其临床数据包含。

tcga数据下载网址：https://www.cancer.gov/ccg/research/genome-sequencing/tcga

tcga数据概况

clinical: 包括病人的一般情况、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mythelation: 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

转录组数据的下载

进入网页：

https://www.cancer.gov/ccg/research/genome-sequencing/tcga

①选择access tcga data

②选择projects

③左侧的原发部位primary site，选在自己的方向（以乳腺癌为例）

④项目program选择tcga

⑤选择队列cohort bulider

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 profiliing

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

下载完成后我们将cart，解压在他的原始文件夹中，我们可以打开其中一例数据看看包含哪些项目

包含项目：

gene_id：此处的为ensmble格式；
gene_name：symbol格式
unstrandes：基因的表达counts值
tpm_unstranded：tpm值
fpkm_unstranded：fpkm值

mrna-seq数据分为4种：

counts；tpm；fpkm；fpkm-uq。其中counts属于原始的格式

counts: 测序的reads中比对到某个基因上的计数；tpm、fpkm: 用来衡量转录本表达丰度的一种量度方式；uq-fpkm：通过上四分位点进行标准后的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

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")

最终得到的结果：