零基础入门转录组分析——数据处理（TCGA数据库）

零基础入门转录组分析——数据处理（TCGA数据库）

---

---

TCGA应该是肿瘤数据最权威的来源之一，但是从TCGA上下载数据集相对来说比较麻烦，因此出现了很多针对TCGA数据进行二次开发的衍生网站，XENA.UCSC就是很直观强大的一个在线网站，里面收录了众多数据库的数据集，其中就包括了TCGA数据集，并且是整合好的，可以直接用于分析。

并且XENA.UCSC这个网站不仅能下载数据，还能进行在线分析，例如：KM分析，表达量分析等，详细情况可以参考好用的TCGA分析工具：UCSC Xena，但是在这篇教程中仅介绍如何从UCSC上下载所需要的TCGA数据集，并且下载后在R中对数据集进一步处理成后续分析所要的形式。

---

---

本项目以非小细胞肺癌（non-small cell lung cancer，NSCLC）中的肺腺癌（lung adenocarcinoma，LUAD）作为展示

选用的数据库是TCGA。

物种：人类（Homo sapiens）

实验分组：疾病组，对照组。

我这里使用的R版本是4.2.2

要用到的R包：tidyverse, rtracklayer, dplyr
1
2
3
4
5
6
7
8
9
10
11

1. 数据集获取

首先进入XENA.UCSC官网（如下图所示），点击箭头指向的位置进一步运行Xena。

进一步点击DATA SETS进入Xena中存储数据集的页面

如下图所示为Xena中存储数据集的页面，其中（1）就是收录的各种疾病的数据集，（2）是筛选条件，由于该网站不仅收录了TCGA数据库的，同样还收录了其他数据库的数据集，因此可以根据自己的需要选择想要的数据库及数据集。我们想要下载是TCGA数据集，因此勾选GDC Hub 和TCGA Hub（至于为什么会选择这两个，在下面会有个人的一点理解和解释）

如下图所示，为勾选GDC Hub 和TCGA Hub的筛选情况，可以从图中看到两个都是TCGA数据集，那么区别是什么呢？

直接以本教程要展示的疾病——肺腺癌（lung adenocarcinoma，LUAD）为例，分别找到对应的GDC-TCGA数据集和TCGA数据集，如下所示，分别点进去可以看到详细信息。

如下图所示为GDC-TCGA肺腺癌数据集，可以看到整个界面干净简洁，并且图中标注出了4个红字部分就是我们后续要用到的数据，分别是原始Count，FPKM，Phenotype，以及survival data。

4个数据解释如下：

---

• counts——转录组的原始表达矩阵，里面对应的基因表达量又被称作raw_count，行名为基因symbol，列名为样本名（也是病人的id，可以将每一列看作一个病人）
• fpkm——raw_count经过转换后的表达矩阵，其计算公式可参考一文了解Count、FPKM、RPKM、TPM | 相互间的转化 | 收藏教程
• phenotype——病人的临床信息，包含分组信息，肿瘤分期，分级，年龄，性别等
• survival——病人的生存信息，里面通常会有4列信息，两列的病人的id，另外两列：OS——生存状态（0表示存活，1表示死亡），OS.time——生存时间

---

如下图所示为TCGA肺腺癌数据集，可以看到整个界面信息比较多，但也包括了基因表达量及患者的临床信息和生存信息。

那么这两者区别是什么？可参考别人的教程：UCSC Xena数据库中GDC TCGA数据和TCGA数据的区别和聊UCSC xena的数据下载问题，但是解释的都不是很清楚，并且官方解释也是晦涩难懂，对于后续分析该选择哪个并没有做出很好的解答。

总的来说就是TCGA这个数据集的发行年份更早，而GDC则是发行年份更晚一些，做科研的小伙伴也都知道一般都要追前沿，那我们这也不例外，选择一个最新的GDC数据库。

同时于偶然间发现了一件事：GDC的数据处理要比TCGA更加方便！如下图所示，分别点进去GDC中的Counts和TCGA中的IlluminaHiSeq。

结果如下所示是GDC的数据，其中（1）是基因的ensemble_ID，这个玩意可以直接转换成基因symbol，（2）表示该数据集GDC数据库是进行了log2（X+1）处理的，因此后续处理是要反转一下才能获得想要的count数据，（3）是下载的链接，只要点击即可下载数据。
TCGA的数据如下图所示，其中（1）对应的不知道是什么，推测应该是探针的ID（没深入研究），也有可能是发行年份较早有些基因缺失。但是这个玩意要想转换成基因symbol，应该需要先找到对应的文件，才能转换成对应基因symbol，同时细心的小伙伴也可以发现TCGA这个数据库他只有20531个基因，而前面GDC数据库则是60489个基因，（2）同样表示该数据集是进行了log2（X+1）处理的，因此后续处理也是要反转一下，（3）是下载的链接。

总的来说已目前的理解来看GDC数据库中的数据集更加方便简洁一些，可以直接通过ensemble_ID对应基因，因此选用一个更加方便的方法——GDC数据库，前面我们也说了图中（3）是下载链接；“照猫画虎，依葫芦画瓢”，以同样的方式下载FPKM，Phenotype，以及survival data，下载完后注意后缀是不是XX.tsv.gz或XX.tsv。如下图所示是下载好的数据集们，接下来要在R中让他们展示自我并做进一步处理。

2. 数据处理（Rstudio）

rm(list = ls()) # 删除工作空间中所有的对象
setwd('/XX/XX/XX') # 设置工作路径
if(!dir.exists('./00_rawdata')){
  dir.create('./00_rawdata')
} # 判断该工作路径下是否存在名为00_rawdata的文件夹，如果不存在则创建，如果存在则pass
setwd('./00_rawdata/') # 设置路径到刚才新建的00_rawdata下
1
2
3
4
5
6

上传前面下载的4个tsv数据到Rstudio中（注意：最好上传到刚才创建的00_rawdata文件夹下），如下图所示，绿色的框就是要处理的原始文件。

首先加载要用的包，万能的tidyverse，dplyr，rtracklayer如果没有安装这3个包，可以通过install.packages(‘XXX’)指令安装，XXX就是包的名字，例如：install.packages('tidyverse')

library(tidyverse)
library(dplyr)
library(rtracklayer)
1
2
3

### 读入下载的数据
tcga_count <- read_tsv(file = './TCGA-LUAD.htseq_counts.tsv.gz') # count数据
tcga_fpkm <- read_tsv(file = "./TCGA-LUAD.htseq_fpkm.tsv.gz") # fpkm数据
tcga_survival <- read_tsv(file = "./TCGA-LUAD.survival.tsv") # 患者生存状态
tcga_phenotype <- read_tsv(file = "./TCGA-LUAD.GDC_phenotype.tsv.gz") # 患者临床信息
### count数据处理
tcga_count <- as.data.frame(tcga_count) # 将导入的文件转成数据框格式
tcga_count <- tcga_count[!duplicated(tcga_count$Ensembl_ID), ]
tcga_count <- column_to_rownames(tcga_count, var = 'Ensembl_ID') # 将文件第一列转为行名
tcga_count <- 2^tcga_count-1 # xena下载的数据经过了log2+1转化，需要将其还原
1
2
3
4
5
6
7
8
9
10

点击右上角的tcga_count可以查看数据集，这里要注意一下：要看一下count数据集中的原始count是不是都是整数，如果不是整数，可以看一下是否经过反转（2^tcga_count-1）。

接下来要导入一个比较重要的文件——gencode.v22.annotation.gtf
从bing上搜索gencode.v22.annotation，检索到的第一个就是基因注释文件

进入ENCODE的gencode.v22.annotation页面，直接点击download可下载。

下载后是个.gz的压缩包，解压后同样上传到Rstudio的00_rawdata中，运行如下代码导入：

gene_annotation <- import('./gencode.v22.annotation.gtf.gz') 
gene_annotation <- as.data.frame(gene_annotation)#将文件转换为数据框格式
gene_annotation <- gene_annotation [gene_annotation$type == 'gene', ] # 筛选为gene的类型
gene_annotation <- dplyr::select(gene_annotation, gene_id, gene_name, seqnames, start, end, width, strand, gene_type)
1
2
3
4

看看最后处理好的gene_annotation长啥样，点击Rstudio右上角的gene_annotation 如下图所示：

• gene_id——基因的ensemble_ID
• gene_name——基因名
• seqnames——基因位于哪条染色体
• start——该基因于染色体上的起始位置
• end——该基因于染色体上的终止位置
• width——该基因的长度（注意：凭借这个就可以计算FPKM）
• strand——链的方向，+表示正链，-表示负链（关于链的方向的描述信息可以自行查找资料，在这里跟教程无关不做过多介绍）
• gene_type——基因的类型，有的是miRNA，有的是lincRNA…

这里我们用到的是前两列gene_id和gene_name

gene_symbol <- gene_annotation[,(1:2)] # 筛选gene_annotation文件中的第一列和第二列
colnames(gene_symbol) <- c("ID", "symbol") # 将gene_symbol文件的列名改成ID和symbol
1
2

gene_symbol如下图所示，第一列是ensemble_ID，第二列是基因symbol

准备好前面的count数据和基因注释文件后，运行下面代码，每句代码后都有注释信息，可以挨个查看，比对处理前后的变化

data_tcga <- tcga_count
data_tcga$ID <- rownames(data_tcga) # 给data_tcga添加一列，列名为ID
data_tcga$ID <- as.character(data_tcga$ID) # 将data_tcga文件中ID列从数值类型数据转化为字符串类型数据 
gene_symbol$ID <- as.character(gene_symbol$ID) # 将gene_symbol文件中ID列从数值类型数据转化为字符串类型数据

data_tcga <- inner_join(data_tcga, gene_symbol, by = "ID") # 将data_tcga文件和gene_symbol文件根据ID列进行合并（这样就能获得ID对应的基因名，但是都排在最后）
data_tcga <- dplyr::select(data_tcga, -ID) # 删除ID列
data_tcga <- dplyr::select(data_tcga, symbol, everything()) # 重新排列,将最后一列的基因名放到第一列（如果不加everything只会选择symbol一列）
data_tcga <- mutate(data_tcga, rowMean=rowMeans(data_tcga[grep('TCGA',names(data_tcga))])) # 添加一列为表达量的平均值
data_tcga <- arrange(data_tcga, desc(rowMean)) # 把表达量的平均值从大到小排序
data_tcga <- distinct(data_tcga, symbol, .keep_all = T) # distinct函数被用于去重，.keep_all参数表示去重后返回数据框的所有列向量
data_tcga <- dplyr::select(data_tcga, -rowMean) # 去除rowMean这一列
data_tcga <- tibble::column_to_rownames(data_tcga, var = "symbol")   ## 把第一列变成行名并删除
dim(data_tcga)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

上面的代码说白了就是一个去重加基因注释，结果如下图所示，行为基因symbol，列为样本名，但是同样每个样本后有个01A和11A这个是与癌症相关的，01-09为肿瘤，10-19为正常对照。

接下来根据样本最后的这个数字初步筛选癌症和对照样本

### 筛选癌症和对照样本。01-09为肿瘤，10-19为正常对照
mete <- data.frame(colnames(data_tcga)) 
for (i in 1:length(mete[, 1])) {
  num <- as.numeric(as.character(substring(mete[i, 1], 14, 15))) # 提取每行第一列中第14，15字符
  if(num %in% seq(1, 9)){mete[i, 2] = "T"} # 判断：如果提取的数字在0-9之内就在每行第二列加上T表示肿瘤样本
  if(num %in% seq(10, 29)){mete[i, 2] = "N"} # 判断：如果提取的数字在10-29之内就在每行第二列加上N表示正常对照
}
colnames(mete) <- c("id", "group")
table(mete$group)
mete$group <- as.factor(mete$group) # 将mete中group列转为因子模式
mete <- subset(mete, mete$group == "T") # subset函数，从数据框中选择出group组为T的行

exp_tumor <- data_tcga[, which(colnames(data_tcga) %in% mete$id)] # 从大样本中选出组为T的样本
exp_tumor <- as.data.frame(exp_tumor)
exp_tumor <- exp_tumor[, colnames(exp_tumor) %in% tcga_survival$sample] # 进一步筛选具有生存信息的样本

exp_control <- data_tcga[, which(!colnames(data_tcga) %in% mete$id)] # 反向从大样本中选出组为N的样本
exp_control <- as.data.frame(exp_control)
exp_control <- exp_control[, colnames(exp_control) %in% tcga_survival$sample] # 进一步筛选具有生存信息的样本

data_final <- cbind(exp_control, exp_tumor) # 将肿瘤样本文件和正常样本文件合并
data_final <- na.omit(data_final) # 去除含有NA的行
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

虽然已经根据样本ID可以区分肿瘤样本和正常样本，但是为了确保分组可靠，接下来依据前面导入的临床信息（tcga_phenotype）进一步确认分组

table(tcga_phenotype$sample_type.samples) # 查看样本类型，一共四种：FFPE Scrolls，Primary Tumor，Recurrent Tumor，Solid Tissue Normal，这里面我们选择Primary Tumor——原发肿瘤和Solid Tissue Normal——正常组织
table(tcga_phenotype$primary_site) # 查看癌症发生的部位

clinical_data <- subset(tcga_phenotype, sample_type.samples == 'Primary Tumor' | sample_type.samples == 'Solid Tissue Normal')
clinical_data <- clinical_data[clinical_data$submitter_id.samples %in% colnames(data_final), ]
clinical_data <- clinical_data[order(clinical_data$sample_type.samples, decreasing = T), ]

Group <- data.frame(sample = clinical_data$submitter_id.samples, 
                    group = clinical_data$sample_type.samples)
Group$group <- ifelse(Group$group == 'Solid Tissue Normal', 'control', 'disease')
data_final <- subset(data_final, select = Group$sample) # 确保前面整理的count数据与整理的分组信息的样本是一致的

table(Group$group)   ##control:59   disease:511
1
2
3
4
5
6
7
8
9
10
11
12
13

如下图所示是整理好的分组信息，第一列是样本的ID，需要和前面整理好的count数据集中的样本ID对应，第二列为样本所属的分组

目前我们已经得到了整理好的count数据以及样本的分组信息，目前还差样本对应的生存信息和fpkm表达矩阵，样本的生存信息比较好处理，如下图所示为导入的样本生存信息，第一列和第三列都是样本ID，第二列OS是患者的生存状态，0表示存活，1表示死亡，第四列OS.time是患者的生存时间。

此时只需要去除掉第三行并且让生存信息表中患者的ID和前面整理好的分组信息表中的患者ID做个匹配即可，最后将整理好的count，group，以及生存信息表保存成csv格式即可。

tcga_survival <- tcga_survival[, -3]
tcga_survival <- tcga_survival[tcga_survival$sample %in% Group$sample, ]

write.csv(tcga_survival, './data_survival.csv') 
write.csv(clinical_data, './data_clinical.csv') 
write.csv(data_final, file = './data_count.csv')
write.csv(Group, file = './data_group.csv')
1
2
3
4
5
6
7

最后一步就是处理fpkm数据，这是因为在后续分析中除了差异表达分析会用到count数据，其余很多情况用的都是fpkm数据。处理的代码如下，其实整体思路和前面处理count时差不多，最后将结果保存为.csv形式即可。

### fpkm数据整理
tcga_fpkm <- as.data.frame(tcga_fpkm)
tcga_fpkm <- tcga_fpkm[!duplicated(tcga_fpkm$Ensembl_ID), ]
tcga_fpkm <- column_to_rownames(tcga_fpkm, var = 'Ensembl_ID')
tcga_fpkm <- 2^tcga_fpkm-1

dat_fpkm <- tcga_fpkm
dat_fpkm$ID <- rownames(dat_fpkm)
dat_fpkm$ID <- as.character(dat_fpkm$ID)

gene_symbol$ID <- as.character(gene_symbol$ID)

dat_fpkm<-dat_fpkm %>%
  inner_join(gene_symbol,by='ID')%>% 
  select(-ID)%>%     ## 去除多余信息
  select(symbol,everything())%>%     ## 重新排列
  mutate(rowMean=rowMeans(.[grep('TCGA',names(.))]))%>%    ## 求出平均数
  arrange(desc(rowMean))%>%       ## 把表达量的平均值从大到小排序
  distinct(symbol,.keep_all = T)%>%      ## symbol留下第一个
  select(-rowMean)%>%     ## 反向选择去除rowMean这一列
  tibble::column_to_rownames(colnames(.)[1])   ## 把第一列变成行名并删除
dim(dat_fpkm)
dat_fpkm <- dat_fpkm[rownames(data_final), ]
dat_fpkm <- dat_fpkm[,colnames(data_final)]
dat_fpkm <- na.omit(dat_fpkm)
dat_fpkm <- log2(dat_fpkm + 1)

write.csv(dat_fpkm, file = './data_fpkm.csv')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

到目前为止我们一共得到了5个文件，count，临床信息，分组信息，生存信息，以及最后的fpkm。

注：做到这一步，可以说是生信分析已经完成一半了，后续所有的分析都会基于前面处理的这几个文件，因此这最初的第一步也是最重要的一步，只有基础打好，后面分析才会可靠一些。

---

结语：

以上就是TCGA数据下载及处理的所有过程，如果有什么需要补充或不懂的地方，大家可以私聊我或者在下方评论。
如果觉得本教程对你有所帮助，点赞关注不迷路！！！

配套资源链接：配套资源（代码+原始数据+处理好的数据）

---

下期预告： 零基础入门转录组分析——数据处理（GEO数据库）

---

• 目录部分跳转链接：零基础入门生信数据分析——导读