生信专栏 | TCGA数据下载友好型——利用UCSC xena下载
发布网友
发布时间：2024-10-23 22:37
共1个回答
热心网友
时间：2024-10-25 03:32
从TCGA下载数据的方式主流的主要有三种：
1、用TCGA官方工具gdc-client下载：这个方法可以保证下载的是实时的最新文件，但是步骤稍微繁琐，要自己 merge单个文件，不利于新手操作
2、用R语言中的TCGA biolinks包下载：首推这个方法，尤其是在在官网用gdc-client下载卡顿下载不成功的时候，这个包很快就会下好，提供merge功能
3、UCSC xena浏览器下载：这是最简单最傻瓜的方法，初学者推荐用这个方法来探索TCGA
（条条大路通罗马，下载个数据还不简单？）
在上一篇推文： 生信专栏 | TCGA数据库悄悄更新后怎么下载数据？，老熊介绍了利用TCGA官方工具gdc-client下载及清洗数据的步骤：
有同学留言想了解Xena的操作步骤，那我们这一篇推文就来介绍一下这个适合新手的下载方式——UCSC xena浏览器下载
先来简单介绍一下UCSC xena浏览器
通过网址： xenabrowser.net/datapag... 进入UCSC xena数据存储中心，可以看到各种各样的数据：
而UCSC xena里TCGA的数据有两个来源，一个是TCGA hub的数据，另一个是GDC TCGA的数据：
推荐使用GDC TCGA下载表达谱，因为TCGA hub的数据是经过处理后的数据，能否直接用 limma等分析网上众说纷纭，log2(x+1) RSEM normalized count:这个值究竟是如何得出来的比较复杂，UCSC xena本身也没有给出一个明确的说法
而GDC TCGA它对小白友好的地方就在于它的数据是log2(count+1)转化值，数据已经进行了merge，可以直接进行注释，进行后续分析可视化，是不是非常方便
我们随便点进去一个GDC TCGA表达谱数据，可以看到上面的数据的更新日期是2019年7月份，根据官网的介绍，用这个方式下载等同于在 2019年7月使用 api方法从官网下载了数据
在上一篇推文我已经讲了，到目前为止，TCGA更新从Data release 18.0已经更到了 Data release 33.0，Release Notes - GDC Docs ( cancer.gov)，当然未来还会持续更新，那么这是不是意味着我们的表达谱数据就不能用了呢？并不是。
可以看到，这些更新中跟我们自己要研究的肿瘤的TCGA RNAseq数据无关，这些数据就算TCGA数据库更新，它也不会变。那更新了什么呢？根据每次更新的介绍，我们可以了解到GDC添加了很多新数据，比如下面添加了New project——Exceptional Responders Initiative，我们需要留心的是哪些更新数据与我们有关：临床数据！比如说随访数据，我们做预后分析用到的生存资料，这些也是在不断更新的
如果同学已经越过小白阶段，需要整合临床信息的话，还是首先推荐用文首提到的方法去下载 TCGA数据的最新的数据，现在我们一起用UCSC xena来run一下
开始实操
首先我依然以样本量少的胆管癌为例下载GDC TCGA Bile Duct Cancer (CHOL)
下载表达谱Counts数据
下载样本信息
这样在我们的文件夹里就准备好了两个数据：
① 病人的表达谱
② 病人的样本信息
如果样本数很多需要分类时，可以参考这个代码教程，把相应亚型摘出来： 送你一篇TCGA数据挖掘文章 (qq.com)
接下来就可以开始处理数据了，跟前一节推文一样，我们的目的是清洗数据，得到能够进行下游分析的表达矩阵。
现在这个矩阵行名不是我们想要的基因名，还需要进一步处理，用注释文件把Ensembl ID转换为gene ID，注释文件去哪里搞呢？其实XENA整理表达矩阵的同时给了我们注释文件：
如果同学不需要把mRNA、lncRNA等挑出来，想要分析总的转录本，那你就直接下载这个注释文件就好了。但这里我的目标是只想得到protein coding的mRNA表达矩阵，所以这个注释文件无法满足我，我想要的注释文件又哪里搞呢？
encodeproject.org/files... 在ENCODE数据库下载（如果同学想学习ENCODE数据库的话私信我，我会考虑后面写篇推文讲讲，这里埋个坑）
我这里下载的是v22版，同学也可以根据需要下载最新版（不过我觉得其实都差不多）。下载好了后，读到R里，这里我选择安装rtracklayer这个包，通过BiocManager第一次安装这个包时，你要考虑自己的R版本和Bioconductor是否匹配，比如我现在的R版本是4.2，但是我的Bioconductor是3.12，本应匹配的是4.0版本的R，所以下载R包的时候就报错了：
小问题别慌，我先升级一下Bioconductor来匹配我最新版的R
还没完，这里面基因名是有重复的：
可以看到去重后，还剩19712个基因，到这里我们就得到了可以用于下游分析的表达矩阵了。别忘了，这里的数据是经过log2(count+1)的，如果有同学接下来要做差异分析的话，别忘了去掉log2
提取lncRNA、miRNA等也是类似的操作，我在这里就不展示了，就当给大家留作业了，好了就讲这么多，我会在后面的推文中继续分享表达谱下游分析，记得关注！
