​R语言TCGA数据下载与整理

​R语言TCGA数据下载与整理

这篇推文将帮助你了解如何从GDC（Genomic Data Comm）下载TCGA（The Cancer Genome Atlas）数据，并在R中进行数据整理和处理。我们将包括所有的步骤，包括下载、读取、整理表达矩阵、添加行列名、以及获取样本和文件名的对应关系。

1. 通过Linux下载TCGA数据

在Linux系统上，可以使用gdc-client工具从GDC下载TCGA数据。首先，需要安装并配置gdc-client：

安装gdc-client工具

前往GDC下载最新的gdc-client工具，并解压到Linux系统中。

配置GDC认证

使用以下命令生成认证文件并配置：

代码语言：javascript代码运行次数：0运行复制

 gdc-client  auth --token  YOUR_GDC_AUTH_TOKE

可以在GDC门户中获取认证token。

下载数据

下载特定的数据（例如肿瘤类型为Meso的RASeq数据）可以使用以下命令：

代码语言：javascript代码运行次数：0运行复制

gdc-client  download -d /path/to/your/download/directory -t /path/to/your/gdc_token.json "file_id_1" "file_id_2" ..

其中，file_id_1, file_id_2等是你从GDC查询结果中获取到的文件ID。

例如，要下载某些特定的RASeq文件：

代码语言：javascript代码运行次数：0运行复制

gdc-client  download -d tcga_meso -t gdc_token.json "85dbd81-9079-4d4f-aa8-05b04b159667" "7a1d80d7-d1ee-4fc0-8299-cbf11926b52"

这样，数据就会被下载到指定目录中，类似于以下结构：

tcga_meso/gdc_download_20240915_1192.66242/

2. 在R中读取下载的TCGA数据

下载完成后，可以使用R加载这些数据，并进行整理。

代码语言：javascript代码运行次数：0运行复制

# 查看所有下载的文件路径
    allfiles <- list.files(
          "tcga_meso", pattern = ".tsv", 
           = TRUE, recursive = TRUE)
# 查看文件列表
    head(allfiles)

看到类似以下的文件路径：

代码语言：javascript代码运行次数：0运行复制

[1] "tcga_meso/gdc_download_20240915_1192.66242/85dbd81-9079-4d4f-aa8-05b04b159667.rna_seq.augmented_star_gene_"
[2] "tcga_meso/gdc_download_20240915_1192.66242/7a1d80d7-d1ee-4fc0-8299-cbf11926b52.rna_seq.augmented_star_gene_" ...

. 读取所有的RA序列数据

可以使用lapply来读取所有的.tsv文件：

代码语言：javascript代码运行次数：0运行复制

# 使用 lapply 读取所有文件
all_data <- lapply(allfiles, read.delim, header = TRUE, sep = "\t")
# 查看第一个文件的内容
head(all_data[[1]])
# 查看第一个文件的数据结构
str(all_data[[1]])

4. 整理表达矩阵

在将数据合并成一个大的表达矩阵之前，首先需要从每个文件中提取基因ID和表达量数据。

代码语言：javascript代码运行次数：0运行复制

# 假设每个文件有 "GeneID" 和 "FPKM" 列
expression_list <- lapply(all_data, function(x) {
# 提取基因ID和表达量
      expr_data <- x[, c("GeneID", "FPKM")]
      rownames(expr_data) <- expr_data$GeneID # 设置行名为GeneID
      expr_data <- expr_data[, -1] # 删除GeneID列
      return(expr_data)
    })
    # 将所有数据合并成一个大的矩阵（按列合并）
    full_expression_matrix <- (cbind, expression_list)
    # 查看合并后的矩阵
    head(full_expression_matrix)

5. 添加行名和列名

在合并后的矩阵中，行名应为基因ID，列名应为样本ID。你可以使用以下代码将列名设置为样本ID：

代码语言：javascript代码运行次数：0运行复制

# 设置列名为样本ID（假设文件路径中包含样本ID）
colnames(full_expression_matrix) <- substr(allfiles, 1, 12) # 从文件路径中提取样本ID

    # 设置基因ID为行名
rownames(full_expression_matrix) <- rownames(expression_list[[1]])

    # 查看结果
head(full_expression_matrix)

6. 获取样本名和文件名的对应关系

你可能需要获取样本与文件名之间的对应关系，以便后续分析。可以使用以下代码提取这些信息：

代码语言：javascript代码运行次数：0运行复制

# 提取样本ID与文件路径的映射
    sample_file_map <- data.frame(
          Sample = substr(allfiles, 1, 12),
          Fileame = allfiles)

    # 查看前几行
    head(sample_file_map)

7. 使用easyTCGA包

如果你希望简化TCGA数据的获取和整理，easyTCGA包是一个不错的选择。以下是如何使用它加载数据：

代码语言：javascript代码运行次数：0运行复制

  
    # 安装并加载 easyTCGA 包
    install.packages("easyTCGA")
    library(easyTCGA)

    # 获取TCGA数据（以MESO为例）
    getTCGAdata(cancer = "MESO", type = "RASeq")

总结

通过这些步骤，你已经完成了从Linux下载TCGA数据到R的全程数据处理。具体操作包括：

下载数据：使用gdc-client工具从GDC下载TCGA数据。

读取数据：在R中读取下载的.tsv文件。

整理表达矩阵：将数据提取并合并成一个统一的表达矩阵。

添加行列名：确保行名为基因ID，列名为样本ID。

获取样本与文件名对应关系：便于后续分析。

使用easyTCGA包：简化TCGA数据的操作。

本文参与 腾讯云自媒体同步曝光计划，分享自。原始发表：2025-01-18，如有侵权请联系 cloudcommunity@tencent 删除系统data工具配置数据