TCGA_改版后STAR-count处理方法

TCGA改版后，workflow.type只有STAR-counts数据，先对所尝试的几种处理方法进行记录：

R version 4.1.2 ； TCGAbiolinks version 2.23.11

方法1

最新版TCGA 矩阵整理，百分百复现成功_sayhello1025的博客-CSDN博客

一、从TCGA网站上下载tsv文件和json文件

1 tsv文件

query <- GDCquery(project = "TCGA-PRAD", #项目名data.category = "Transcriptome Profiling",data.type = "Gene Expression Quantification",workflow.type = "STAR - Counts")t_samplesDown <- getResults(query,cols=c("cases"))  #从sampleDown检索出TP
t_dataSmTP <- TCGAquery_SampleTypes(barcode = t_samplesDown,typesample = "TP") #可选#筛选完成的query
queryDown <- GDCquery(project = "TCGA-PRAD",data.category = "Transcriptome Profiling",data.type = "Gene Expression Quantification", workflow.type = "STAR - Counts", barcode = t_dataSmTP) #下载GDCquery的结果
GDCdownload(queryDown,method = "api",directory = "GDCdata_star_count",files.per.chunk = 6) #网速慢可以设小一点

跟如下从download 中下载cart效果一样

2 json文件

点击Metadata下载json文件

二、整合tsv文件、json文件到一个文件夹

1 右上角搜索“.tsv”

2 复制到新文件夹里面，整理如下：

本机路径：'E:/R/PRAD Data Mining/PRAD_data_mining/TCGA/GDCdata_star_count.tsv/all/'

三、提取count矩阵

rm(list=ls())
options(stringsAsFactors = F)library("rjson")

1 整理“all”中的文件

result <- fromJSON(file = "E:/R/PRAD Data Mining/PRAD_data_mining/TCGA/GDCdata_star_count.tsv/metadata.cart.2022-04-17.json")
metadata <- data.frame(t(sapply(result,function(x){id <-  x$associated_entities[[1]]$entity_submitter_idfile_name <- x$file_nameall <- cbind(id,file_name)
})))
rownames(metadata) <- metadata[,2]t_dir <- 'E:/R/PRAD Data Mining/PRAD_data_mining/TCGA/GDCdata_star_count.tsv/all/'
t_samples=list.files(t_dir)
sampledir <- paste0(t_dir,t_samples) #各个文件路径

View(metadata)

metadata中记录barcode文件名的对应关系

example <- data.table::fread('E:/R/PRAD Data Mining/PRAD_data_mining/TCGA/GDCdata_star_count.tsv/all/005d2b9e-722c-40bd-aa5c-bd4e8842cb04.rna_seq.augmented_star_gene_counts.tsv',data.table = F)#读入一个tsv文件，查看需要的列数，“unstranded”raw <- do.call(cbind,lapply(sampledir, function(x){rt <- data.table::fread(x,data.table = F) #data.table::fread函数rownames(rt) <- rt[,1]rt <- rt[,4]###第4列为“unstranded”
}))

View(example)

载入一个例子，需要的 ”unstranded count” 值数据是第4列；同时第5行之后才可读

View(raw)

行名、列名未注释

2 替换列名和行名

重点说一下sapply(strsplit(sampledir,'/'),'[',8) #数字可选。意思是将每个sampledir按“/”分隔后，取第“8”个，对应的是tsv文件的文件名。比方说我的sampledir[1]：

'E:/R/PRAD Data Mining/PRAD_data_mining/TCGA/GDCdata_star_count.tsv/all/005d2b9e-722c-40bd-aa5c-bd4e8842cb04.rna_seq.augmented_star_gene_counts.tsv'

按“/”分隔后，第“8”个部分是tsv文件的文件名，所以我这里的参数为“8”

colnames(raw)=sapply(strsplit(sampledir,'/'),'[',8) #数字可选,'8'为文件名005d2b9e-722c-40bd-aa5c-bd4e8842cb04.rna_seq.augmented_star_gene_counts.tsv
rownames(raw) <- example$gene_id ##行名 
raw_t <- t(raw)t_same <- intersect(rownames(metadata),rownames(raw_t))dataPrep2 <- cbind(metadata[t_same,],raw_t[t_same,])
rownames(dataPrep2) <- dataPrep2[,1]
dataPrep2 <- t(dataPrep2)
dataPrep2 <-dataPrep2[-c(1:6),] #dataPrep2为未注释count矩阵

View(raw)

View(dataPrep2)

dataPrep2为未基因注释的count矩阵，格式为“matrix”

3 dataPrep2中数据类型为“character”，需要转为“numeric”

puried_data=apply(dataPrep2,2,as.numeric)

View(puried_data)

行名没了

4 基因注释

puried_data的格式为“matrix”：“matrix”行名可以重复，因此直接替换行名。

此处仍然借用example进行基因注释

rownames(puried_data)=example[5:nrow(example),'gene_name']

View(puried_data)

dim(puried_data)

[1] 60660 490

5 去除重复基因名

取行平均count值最大的行

t_index=order(rowMeans(puried_data),decreasing = T)#计算所有行平均值，按降序排列
t_data_order=puried_data[t_index,]#调整表达谱的基因顺序
keep=!duplicated(rownames(t_data_order))#对于有重复的基因，保留第一次出现的那个，即行平均值大的那个
puried_data=t_data_order[keep,]#得到最后处理之后的表达谱矩阵

dim(puried_data)

[1] 59427 490

6 预处理

需要注意DESeq2包要求数据未经过标准化

dataFilt =puried_data[rowMeans(puried_data)>10,] #剔除低表达基因write.csv(dataFilt,file = "dataFilt.csv",quote = FALSE)

得到 dataFilt 后就可以正常分析了！

方法2（未成功）

尝试使用TCGAbiolinksR包

library("BiocManager")
library("TCGAbiolinks")
library("SummarizedExperiment")BiocManager::install("BioinformaticsFMRP/TCGAbiolinksGUI.data") 
BiocManager::install("BioinformaticsFMRP/TCGAbiolinks") 
#比BiocManager::install(TCGAbiolinks)安装更新版的TCGAbiolinks包

query <- GDCquery(project = "TCGA-PRAD", #项目名data.category = "Transcriptome Profiling",data.type = "Gene Expression Quantification",workflow.type = "STAR - Counts")t_samplesDown <- getResults(query,cols=c("cases"))  #从sampleDown检索出TP
t_dataSmTP <- TCGAquery_SampleTypes(barcode = t_samplesDown,typesample = "TP") #可选#筛选完成的query
queryDown <- GDCquery(project = "TCGA-PRAD",data.category = "Transcriptome Profiling",data.type = "Gene Expression Quantification", workflow.type = "STAR - Counts", barcode = t_dataSmTP) #下载GDCquery的结果
GDCdownload(queryDown,method = "api",directory = "GDCdata_star_count",files.per.chunk = 6) #网速慢可以设小一点dataPrep1 <- GDCprepare(query = queryDown, save = T,directory = 'GDCdata_star_count', #默认为“GDCdata”save.filename ="dataPrep1_PRAD_star.rda")dataPrep2 <- TCGAanalyze_Preprocessing(object = dataPrep1,cor.cut = 0.6#datatype = "HTSeq - Counts")

View(dataPrep2)

t_purityDATA <- TCGAtumor_purity(colnames(dataPrep1), 0, 0, 0, 0, 0.6)
t_purity.barcodes<-t_purityDATA$pure_barcodes #肿瘤样本barcodes，为“character”
t_normal.barcodes<-t_purityDATA$filtered #正常组织的数据barcodes，为“character”puried_data <-dataPrep2[,t_purity.barcodes]#筛选后数据rownames(puried_data)<-rowData(dataPrep1)$external_gene_name

rownames(puried_data)<-rowData(dataPrep1)$external_gene_name （基因注释步骤）

View(puried_data)