TCGA数据库学习一：基本知识

大家好，欢迎来到IT知识分享网。

TCGA是什么
TCGA：The Cancer Genome Atlas Program，癌症基因组图谱计划。

TCGA存储了哪些信息

• 临床样本信息：Biospecimen Clinical
• 测序数据：RNA sequencing MicroRNA sequencing DNA sequencing SNP-based platforms Array-based DNA methylation sequencing Reverse-phase array
  可以说包括了基因组、转录组、表观遗传、蛋白质组等各个组学的数据。
  

并不是所有数据都可以下载。测序数据分为四层：level1、level2、level3、level4，其中level3和level4都是开放下载的，level1是最原始的数据，level2是做了进一步处理的，这些数据一般是不开放的，需要申请才能下载。

数据下载

gdc-client方法参考：

利用R包TCGAbiolinks进行各种数据下载

TCGA数据下载–TCGAbiolinks包参数详解

此处跟学生信技能树的笔记，下载的是肝脏肝细胞癌(LIHC)的count值，下载数据最主要用到的函数是GDCquery()，其共有十一个参数：

• project：指的是癌症的各个项目id，下面的命令可以得到TCGA里的全部id编号，各个代表的含义参考文末文章；
  TCGAbiolinks:::getGDCprojects()$project_id)
  
• data.category：指的是数据类型，共有七种；
  case_count为病人数，file_count为对应的文件数。
  

TCGAbiolinks:::getProjectSummary(project) TCGAbiolinks:::getProjectSummary(TCGA-HNSC) data_category 1 Copy Number Variation 2 Sequencing Reads 3 Simple Nucleotide Variation 4 DNA Methylation 5 Clinical 6 Transcriptome Profiling 7 Biospecimen 8 Proteome Profiling 9 Structural Variation 

• data.type：筛选要下载的文件类型；

 #下载rna-seq的counts数据 data.type = "Gene Expression Quantification" #下载miRNA数据 data.type = "miRNA Expression Quantification" #下载Copy Number Variation数据 data.type = "Copy Number Segment" 

• workflow.type：不同的数据类型，有其对应的参数可以选择；

HTSeq - FPKM-UQ：FPKM上四分位数标准化值 HTSeq - FPKM：FPKM值/表达量值 HTSeq - Counts：原始count数 

但现在已经更新了，只有STAR - Counts这个参数，对其的处理方法见此文章：

TCGA_改版后STAR-count处理方法

cancer_type="TCGA-HNSC" data_type <- "Gene Expression Quantification" data_category <- "Transcriptome Profiling" workflow_type <- "STAR - Counts" query_TranscriptomeCounts <- GDCquery(project = cancer_type, data.category = "Transcriptome Profiling", data.type = "Gene Expression Quantification", workflow.type = "STAR - Counts") 

• legacy=FALSE

这个参数主要是因为TCGA数据有两个入口可以下载，GDC Legacy Archive 和 GDC Data Portal，区别主要是注释参考基因组版本不同分别是：GDC Legacy Archive（hg19和GDC Data Portal(hg38)。参数默认为FALSE，下载GDC Data Portal(hg38）。这里小编的建议是，下载转录组层面的数据使用hg38，下载DNA层面的数据使用hg19，因为比如做SNP分析的时候很多数据库没有hg38版本的数据，都是hg19的。

• access：数据开放和不开放；
• platform：这里涉及到的平台种类非常多，可以具体去官网看每种数据都有什么平台的可以下载。这个参数可以省略不设置。
• file.type：主要是在GDC Legacy Archive下载数据的时候使用；
• barcode：设置此参数就只下载某一个样本；
• experimental.strategy：下载路口；
  GDC Data Portal：WXS, RNA-Seq, miRNA-Seq, Genotyping Array；
  Legacy: WXS, RNA-Seq, miRNA-Seq, Genotyping Array, DNA-Seq, Methylation array, Protein expression array, WXS,CGH array, VALIDATION, Gene expression array,WGS, MSI-Mono-Dinucleotide Assay, miRNA expression array, Mixed strategies, AMPLICON, Exon array, Total RNA-Seq, Capillary sequencing, Bisulfite-Seq；
  
  
• sample.type：可以对样本进行过滤下载。

实操代码：

#1.安装TCGAbiolinks包 options("repos"=c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) install.packages("BiocManager") BiocManager::install("TCGAbiolinks") library(TCGAbiolinks) #2.选定要下载的cancer类型 #全部癌症英文缩写 这里跟教程选择一样的HNSC头颈癌 TCGAbiolinks::getGDCprojects()$project_id cancer_type="TCGA-HNSC" #3.选择下载你想要的数据 #此处下载的clinical临床实验数据 一行是一个病例 列是病人的相关信息 clinical <- GDCquery_clinic(project = cancer_type,type ="clinical") save(clinical,file="BRCA_clinical.Rdata") write.csv(clinical,file="TCGAbiolinks-BRCA-clinical.csv") #4.下载实验相关数据:RNA-seq的count数据 library(dplyr) library(DT) library(SummarizedExperiment) #数据类型为基因定量表达 #数据类别为转录组 data_type <- "Gene Expression Quantification" data_category <- "Transcriptome Profiling" workflow_type <- "STAR - Counts" query_TranscriptomeCounts <- GDCquery(project = cancer_type, data.category = "Transcriptome Profiling", data.type = "Gene Expression Quantification", workflow.type = "STAR - Counts") #将上一步搜索得到的结果下载下来 自带存储到所设置目录下的文件夹 GDCdownload(query_TranscriptomeCounts,method = "api") #将搜索得到的数据转换为适用于R的形式(a summarizeExperiment or a data.frame) 行名为基因 列名为样本名  expdat <- GDCprepare(query = query_TranscriptomeCounts) count_matrix=assay(expdat) write.csv(count_matrix,file = "TCGAbiolinks_HNSC_COUNTA.CSV") #5.下载实验相关数据：RNA-seq的FPKM数据 Expr_df <- GDCquery(project = cancer_type, data.category = data_category, data.type = data_type, workflow.type = "HTSeq - FPKM") GDCdownload(Expr_df,method = "api",files.per.chunk = 100) expdat_2 <- GDCprepare(query = Expr_df) Expr_matrix=assay(expdat_2) write.csv(Expr_matrix,file="TCGAbiolinks_HNSC_FPKM.csv")