如何合并TCGA表达谱数据如何合并TCGA表达谱数据

前面通过两期视频

如何从TCGA数据库下载RNAseq数据以及临床信息(一)
如何从TCGA数据库下载miRNA数据(二)

给大家详细介绍了如何从TCGA数据库下载某一个肿瘤的RNAseq数据和miRNA-seq数据。如果看过视频的小伙伴应该都知道，TCGA里面不论是RNAseq数据还是miRNA-seq数据，每一个样本的数据都是一个单独的文件

文章图片

文章图片
并不像GEO里面下载得到的表达谱数据一般都是一个完整的表达谱矩阵，每一行是一个基因，每一列是一个样本。

文章图片
我们一般下游的分析，不论是差异表达分析，聚类分析，主成分分析，还是WGCNA分析，都是基于表达矩阵进行的。所以要想利用TCGA的表达谱进行下游数据分析，第一步就必须将这些单独的文件都合并成一个类似于GEO那样的表达矩阵。
【如何合并TCGA表达谱数据】下面先给大家捋一捋思路，我们以TCGA-CHOL（胆管癌）这套数据为例

合并RNAseq数据得到表达矩阵，RNAseq相关数据下载参考下面视频
?如何从TCGA数据库下载RNAseq数据以及临床信息(一)?

1.1 通过读取RNAseq_sample_sheet.csv文件，获取每一个样本表达谱数据的文件路径。

文章图片
Sample sheet文件中第一列是包裹RNA counts文件的文件夹，而第二列就是包含每个样本RNA counts数的htseq_counts.gz文件了。需要将这两列合并起来就可以得到counts文件的绝对路径了，这样代码才能找到这个文件。
1.2 循环来读取每一个文件里的内容，这里每一个文件都是一个gz压缩的文件，可以不用事先解压，我们可以用R代码来直接读取压缩文件里面的内容。这个文件有两列，第一列是gene的ensembl gene ID，第二列是比对到每一个gene上的counts数。

文章图片
TCGA-CHOL这套数据一共有45个样本，所以一共有45个counts文件。
1.3 将45个文件的第二列合并起来，第一列的ensembl gene id作为行名。Sample sheet文件中的sample ID作为列名。
1.4 去除ensembl gene id后面的点和数字。举个例子ENSG00000000003.13变成ENSG00000000003。
1.5 去掉非基因的行。Counts文件拖到最后，你会发现有些行并不是基因的counts数，我们需要将这些行从最后的表达矩阵里面删除。

文章图片
最后我们就可以得到RNAseq的表达矩阵了

文章图片
2. 合并mirRNA seq数据的到表达矩阵
整体思路跟合并RNAseq数据大同小异
miRNA seq数据下载参考下面视频
?如何从TCGA数据库下载miRNA数据(二)?
2.1 通过读取RNAseq_sample_sheet.csv文件，获取每一个样本表达谱数据的文件路径。

文章图片
Sample sheet文件中第一列是包裹mirbase21.isoforms.quantification.txt文件的文件夹，而第二列就是包含每个样本mir counts数的quantification文件了。需要将这两列合并起来就可以得到mir counts文件的绝对路径了，这样代码就可以找到这个文件。
2.2 循环来读取每一个文件里的内容，这里每一个文件就是普通的txt文本文件。这个文件跟RNA counts文件不太一样。

文章图片
我们知道有时候一个miRNA的前体，可以产生两个miRNA成熟体，3‘端产生一个，5‘端产生一个。上图就是一个例子，前体都是has-let-7a-1，但是成熟体有两个MIMAT0000062（hsa-let-7a-5p）和MIMAT0004481（hsa-let-7a-3p）。通过在mirbase（http://www.mirbase.org/）数据库里面查询这个miRNA可以得到两个成熟体的信息。

文章图片
我们这里不应该将所有的read_count都算到has-let-7a-1这个前体上，而是应该分别算到两个成熟体上。因为这两个成熟体的靶基因一般是不一样的，应为他们的种子序列一般是不一样的（种子序列概念参考：miRNA 靶向预测软件targetscan）。TCGA-CHOL这套数据一共有45个样本，所以一共有45个mirbase21.isoforms.quantification.txt文件。
2.3 将45个文件的所有miRNA成熟体的counts和并起来
2.4 我们把miRNA成熟体的ID（eg. MIMAT0000062）转换成miRNA的名字来作为表达谱的行名。Sample sheet文件中的sample ID作为列名。做ID转换的表可以从mirbase（http://www.mirbase.org/）下载得到，

文章图片
如何处理可以参考下面的视频
?如何获取人的所有miRNA ID?
2.5 将样本中不存在的miRNA的counts数设置为0
最后我们就可以得到RNAseq的表达矩阵了

文章图片
大家可以根据这个思路自己去写R代码。当然小编也已经为大家写好了R代码, ?点击获取本文中用到的R代码?。
下面我们演示一下怎么用这段代码来合并TCGA-CHOL的RNAseq数据和miRNA数据，得到mRNA和miRNA的表达矩阵。
?R代码合并TCGA表达谱数据?
欢迎关注公众号 “生信交流平台”，我们创建了交流群，供大家交流讨论生信问题。
参考资料：