简介
由美国05年发起的癌症和肿瘤基因图谱（TCGA，The Cancer Genome Atlas）计划，旨在应用基因组分析技术研究癌症中的基因组变化，做了大规模的基因组测序，样本量过万，包含了三十多种癌症，其中尤其宝贵的是这些样本都有很详细的预后随访信息。TCGA提供了大量的深度测序数据，包括Gene expression, DNA methylation, Copy Number Variant, Mutation还有更深度的exon expression外显子测序结果，最常用的是33种肿瘤及正常组织的高通量芯片或测序数据，其次包括10种罕见肿瘤，无疑是一座巨大宝库。此外其临床数据包含。
TCGA数据下载网址：https://www.cancer.gov/ccg/research/genome-sequencing/tcga
TCGA数据概况
Clinical: 包括病人的一般情况、诊治情况、TNM分期、肿瘤病理、生存情况等。
mRNA表达数据: 通过mRNA芯片或者RNAseq测得的mRNA表达量
microRNA: microRNA芯片或者microRNA-Seq测得的microRNA表达量
Copy number variation: SNP芯片得到的肿瘤组织比对正常组织的染色体上各片段的比值
Mutation: 肿瘤组织测序结果相对参考基因组的核苷酸突变，包括插入和缺失等变化
Protein: 蛋白芯片测序得到的约200种常见癌症相关蛋白的表达量Mythelation: 甲基化芯片测得的DNA甲基化数据，主要为27和450两种芯片的数
转录组数据的下载
进入网页：
https://www.cancer.gov/ccg/research/genome-sequencing/tcga
①选择Access TCGA Data
②选择Projects
③左侧的原发部位Primary Site，选在自己的方向（以乳腺癌为例）
④项目Program选择TCGA
⑤选择队列Cohort Bulider
⑥在Program栏目选择TCGA
⑦在Project栏目选择简称TCGA-BRCA
⑧选择Repository
⑨在左侧找到Data Category选择转录组数据Transcriptome profiliing
数据类型Data Type选择Gene Expression Quantification
⑩加入到cart
下载两个文件分别是Cart文件和Metadata文件
下载完成后我们将Cart，解压在他的原始文件夹中，我们可以打开其中一例数据看看包含哪些项目
包含项目：
gene_id：此处的为ENSMBLE格式；
gene_name：symbol格式
unstrandes：基因的表达counts值
tpm_unstranded：TPM值
fpkm_unstranded：FPKM值
mRNA-Seq数据分为4种：
Counts；TPM；FPKM；FPKM-UQ。其中Counts属于原始的格式
Counts: 测序的reads中比对到某个基因上的计数；TPM、FPKM: 用来衡量转录本表达丰度的一种量度方式；UQ-FPKM：通过上四分位点进行标准后的FPKM；
数据格式转换参考：
https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/Expression_mRNA_Pipeline/
使用R语言数据整理FPKM数据
library(rjson)library(limma)setwd("C:\\Users\\TCGA-BRCA") #此处我将下载的数据，均放在TCGA-BRCA文件夹中，更改为自己的文件夹metafile="metadata.cart.2024-03-24.json" #下载的metadata文件的名称gdcfliename="gdc_download_20240324_144347.209765" #cart文件的名称path1="gdc_download_20240324_144347.209765\\" #cart文件名+“\\”outfilename="TCGA-STAD_FPKM.txt" #输出表达矩阵文件的名称#为了方便大家使用，大家只用修改以上内容json = jsonlite::fromJSON(metafile)id = json$associated_entities[[1]][,1]sample_id = sapply(json$associated_entities,function(x){x[,1]})file_sample = data.frame(sample_id,file_name=json$file_name) count_file <- list.files(gdcfliename,pattern = '*gene_counts.tsv',recursive = TRUE)count_file_name <- strsplit(count_file,split='/')count_file_name <- sapply(count_file_name,function(x){x[2]})matrix = data.frame(matrix(nrow=60660,ncol=0))for (i in 1:length(count_file_name)){ path = paste0(path1,count_file[i]) data<- read.delim(path,fill = TRUE,header = FALSE,row.names = 1) colnames(data)<-data[2,] data <-data[-c(1:6),] data <- data[7] colnames(data) <- file_sample$sample_id[which(file_sample$file_name==count_file_name[i])] matrix <- cbind(matrix,data)}sample1 = paste0(path1,count_file[1])names=read.delim(sample1,fill = TRUE,header = FALSE,row.names = 1)colnames(names)<-names[2,]names <-names[-c(1:6),]names = names[,1:2]same=intersect(rownames(matrix),rownames(names))matrix=matrix[same,]names=names[same,]matrix$symbol=names[,1]matrix=matrix[,c(ncol(matrix),1:(ncol(matrix)-1))]write.table(matrix,file=outfilename,row.names = F,quote = F,sep = "\t")最终得到的结果：
以上就是TCGA转录组数据的下载和整理。
【公众号：小庞统计】
