TCGA数据挖掘（一）：TCGAbiolinks包介绍

2019-08-27 14:35:23 浏览数 (1)

肿瘤基因组图谱（TCGA）计划是由美国National Cancer Institute（NCI）和National Human Genome Research Institute（NHGRI）于2006年联合启动的项目，研究的癌症类型从最开始的多形性成胶质细胞瘤（GBM）到现在为止共有39种，涉及29种癌症器官，1万多个肿瘤样本，27万多份文件，当然其项目也将于2017年接近尾声。

网址：https://portal.gdc.cancer.gov/

对于肿瘤研究者来说，TCGA数据库就是一个资源宝库，里面有很多有价值的信息可以挖掘，关于TCGA数据挖掘的工具很多，包括在线工具和R包。这里我们主要是通过R语言进行挖掘，所以需要有一点R语言基础。R语言快速入门可参考文章：R语言编程基础第一篇：语法基础。也可以自己找教程自学，网上教程很多，学习了R以后，我们就的真正的去了解TCGA数据库，我们之前的文章：TCGA数据库使用教程对该数据库进行了详细的介绍，不了解该数据库的同学可以先了解网页版的使用。

使用R语言挖掘TCGA数据，可以用的包很多，比如GDCRNATools包，以及之前我们介绍过的TCGA-Assembler包。在这里我们就不推荐使用这些包，我们只推荐本文要介绍的TCGAbiolinks包。这个包的功能很强大，学会了这个包几乎就已经够用，不用在学其他包。今天我们开始

第一讲：TCGAbiolinks包背景知识介绍

TCGAbiolinks -一个用于TCGA数据综合分析的R/BioConductor软件包，能够通过GDC Application Programming Interface (API)访问 National Cancer Institute (NCI) Genomic Data Commons (GDC) ，来搜索、下载和准备相关数据，以便在R中进行分析。

1.TCGAbiolinks包的安装

代码语言：javascript复制
devtools::install_github(repo = "BioinformaticsFMRP/TCGAbiolinks")
代码语言：javascript复制
也可以通过下面代码安装
代码语言：javascript复制
# 当前R的版本是"3.6"，对应的TCGAbiolinks版本是"3.7" or "3.8"
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("TCGAbiolinks", version = "3.8")
代码语言：javascript复制
安装成功后就是加载包了，如果加载还需要某些包，就先安装相应的包：
代码语言：javascript复制
library(TCGAbiolinks)
library(dplyr)
library(DT)
代码语言：javascript复制
2.参考文献

文章中使用了该包，请引用：

Colaprico A, Silva TC, Olsen C, Garofano L, Cava C, Garolini D, Sabedot T, Malta TM, Pagnotta SM, Castiglioni I, Ceccarelli M, Bontempi G and Noushmehr H. "TCGAbiolinks: an R/Bioconductor package for integrative analysis of TCGA data." Nucleic acids research (2015): gkv1507.

此外，如果您使用ELMER分析，请引用：

Yao, L., Shen, H., Laird, P. W., Farnham, P. J., & Berman, B. P. "Inferring regulatory element landscapes and transcription factor networks from cancer methylomes." Genome Biol 16 (2015): 105.

Yao, Lijing, Benjamin P. Berman, and Peggy J. Farnham. "Demystifying the secret mission of enhancers: linking distal regulatory elements to target genes." Critical reviews in biochemistry and molecular biology 50.6 (2015): 550-573.

3.TCGA条码（barcode）

TCGA条码由一组标识符组成。每个都专门标识一个TCGA数据元素。有关元数据标识符如何组成条形码的说明，请参见下图：

更多TCGA barcode信息：

https://docs.gdc.cancer.gov/Encyclopedia/pages/TCGA_Barcode/

接触和分析过TCGA数据的朋友肯定会经常处理TCGA barcode的前15位（有时12位），实际从上图可以看出TCGA的barcode设计总共有28位之多。

每一个短横杠衔接的都是含不同意义的序列，如下图：

另外，将barcode的组成从层次结构（树）来看，是这样的：

可参考：

https://docs.gdc.cancer.gov/Encyclopedia/pages/images/TCGA-TCGAbarcode-080518-1750-4378.pdf

4.TCGAbiolinks可以使用两种方法下载GDC数据：

client：此方法创建MANIFEST文件并使用 GDC Data Transfer Tool下载数据。此方法更可靠，但与api方法相比可能更慢。

api：此方法使用 GDC Application Programming Interface (API)下载数据。这将创建一个MANIFEST文件，并且下载的数据将是一个格式为tar.gz的压缩文件。如果文件的大小和数量太大，这个tar.gz文件会太大导致下载失败的可能性提高。为了解决这个问题，我们将使用files.per.chunk功能将文件拆分成多个小文件，例如，如果chunks.per.download等于10，我们将每个tar.gz分为10个小文件下载。

5.数据准备：SummarizedExperiment对象

使用 SummarizedExperiment package，我们可以从SummarizedExperiment对象中提取三个主要的数据矩阵。

colData(data)：获得样本信息的矩阵，包括了从对应TCGA论文中获得的临床数据以及肿瘤亚型信息。

assay(data)：获得Assay信息的矩阵，就是每一个样本中基因的表达量。

rowRanges(data)：获得特征（一般是指基因）信息的矩阵，包括特征的元数据，例如基因所在基因组范围。

6.Summarized Experiment：注释信息

使用GDCprepare函数时，会调用一个参数SummarizedExperiment，该参数决定了输出类型为Summarized Experiment（默认选项）或数据框。为了创建一个Summarized Experiment对象，我们需要使用最新的基因组注释文件进行数据注释。比如：1）对于legacy数据（与hg19对齐的数据），TCGAbiolinks正在使用GRCh37.p13进行注释；2）对于harmonized数据（与hg38对齐的数据），TCGAbiolinks正在使用GRCh38.p7 (May 2017)进行注释。不幸的是，在GRCh38.p7 这样的注释文件更新后，比如一些基因缩写名称的改变/删除、更改基因坐标等。这可能会导致一些TCGA数据的丢失。例如，如果基因被删除，我们就不能再映射它了，那么在SummarizedExperiment中这些信息会丢失。如果设置SummarizedExperiment为FALSE，您将获得未修改的数据，并需要您自己去注释。此外，DNA甲基化数据并没有更新。但是可以在这里找到最新的元数据：http://zwdzwd.github.io/InfiniumAnnotation

7.GDCquery()参数解析

TCGAbiolinks包的函数很多，但GDCquery()函数是必须要介绍的，其他函数介绍肯文末，我们后续用到也会做详细的讲解。

（1）project

可以使用getGDCprojects()$project_id得到各个癌种的项目id，总共有52个ID值。

（2）data.category

data.category总共有8种

可以使用TCGAbiolinks:::getProjectSummary(project)查看project中有哪些数据类型，如查询"TCGA-LIHC"，有7种数据类型，case_count为病人数，file_count为对应的文件数。要下载表达谱，可以设置data.category="Transcriptome Profiling"

（3）data.type

筛选要下载的文件的数据类型。没有命令可以查看data.type里都有哪些数据类型， 但是根据官网连接，查看data.type有12种，但设置参数的时候不代表所有的project和data.category都对应12种。先在官网查看后再设置。

代码语言：javascript复制
#下载rna-seq的counts数据
data.type = "Gene Expression Quantification"
#下载miRNA数据
data.type = "miRNA Expression Quantification"
#下载Copy Number Variation数据
data.type = "Copy Number Segment"

（4）workflow.type

该数据类型有很多种，根据data.type的不同而不同，不同的数据类型，有其对应的参数可供选择。比如Gene Expression Quantification数据类型下workflow.type 有4种类型分别为：

HTSeq - FPKM-UQ：FPKM上四分位数标准化值

HTSeq - FPKM：FPKM值/表达量值

HTSeq - Counts：原始count数

STAR - Counts

具体可在GDC官网查看

（5）legacy

这个参数主要是因为TCGA数据有两个入口可以下载，GDC Legacy Archive 和 GDC Data Portal，区别主要是注释参考基因组版本不同分别是：GDC Legacy Archive（hg19和GDC Data Portal（hg38）。参数默认为FALSE，下载GDC Data Portal（hg38）。这里建议是，下载转录组层面的数据使用hg38，下载DNA层面的数据使用hg19，因为比如做SNP分析的时候很多数据库没有hg38版本的数据，都是hg19的。

（6）access

数据开放和不开放，有两个参数:controlled, open。

（7）platform

这里涉及到的平台种类非常多，可以具体去官网看每种数据都有什么平台的可以下载。这个参数可以省略不设置。

（8）file.type

主要是在GDC Legacy Archive下载数据的时候使用，可以参考官网说明。在GDC Data Portal下载数据，该参数省略不设置。

（9）barcode

A list of barcodes to filter the files to download。可以根据这个参数设置只下载某个样本等。如：

代码语言：javascript复制
barcode = c("TCGA-14-0736-02A-01R-2005-01", "TCGA-06-0211-02A-02R-2005-01")

（10）experimental.strategy

两个下载入口参数选择：

GDC Data Portal：WXS, RNA-Seq, miRNA-Seq, Genotyping Array.

Legacy: WXS, RNA-Seq, miRNA-Seq, Genotyping Array, DNA-Seq, Methylation array, Protein expression array, WXS,CGH array, VALIDATION, Gene expression array,WGS, MSI-Mono-Dinucleotide Assay, miRNA expression array, Mixed strategies, AMPLICON, Exon array, Total RNA-Seq, Capillary sequencing, Bisulfite-Seq

（11）sample.type

A sample type to filter the files to download，可以对样本类型进行过滤下载。这里我要下载所有样本类型数据，不设置。部分值选择如下（全部可以查看官网）：如sample.type = "Recurrent Solid Tumor"

关于其他函数及参数介绍可以阅读官方文档：http://www.bioconductor.org/packages/release/bioc/manuals/TCGAbiolinks/man/TCGAbiolinks.pdf

当然，后续教程中我们用到什么函数也会详细的讲解。

下一讲预告：TCGAbiolinks下载TCGA数据

r语言 数据库 sql

0 人点赞