新版TCGA数据转录组表达数据下载及整理（R语言）_tcga cohort build

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：

以上就是TCGA转录组数据的下载和整理。

【公众号：小庞统计】