TCGA?|?GEO?|?文獻閱讀?|?數據庫?|?理論知識

R語言?|?Bioconductor?| 服務器與Linux

---

最近有粉絲留言，TCGA數據庫發生更新，下載的數據和之前的不一樣。比如轉錄組，之前是HTSeq流程的數據，現在是STAR-Counts的數據。具體的數據信息參考：
https://docs.gdc.cancer.gov/Data/Release_Notes/Data_Release_Notes/#data-release-320

下載后的數據，打開是這樣的。都放在了一個文件中。

這里分享一下怎么提取數據。

數據的下載和之前的教程一樣【14-TCGA數據庫下載整理】。只不過這里選擇的是STAR-Counts了。加入購物車后下載下面的文件。

我先寫2個函數，一個是處理讀入json文件的函數，該文件包括文件信息和樣本barcode的關系。

processingJsonFiles <- function(jsonFile){library(rjson)metadata_json_File <- fromJSON(file=jsonFile)json_File_Info <- data.frame(filesName = c(),TCGA_Barcode = c())for(i in 1:length(metadata_json_File)){TCGA_Barcode <- metadata_json_File[[i]][["associated_entities"]][[1]][["entity_submitter_id"]]file_name <- metadata_json_File[[i]][["file_name"]]json_File_Info <- rbind(json_File_Info,data.frame(filesName = file_name,TCGA_Barcode = TCGA_Barcode))}rownames(json_File_Info) <- json_File_Info[,1]json_File_Info <-json_File_Info[-1]return(json_File_Info) }

jsonFile是下載的json文件的完整路徑。

下面的函數是提取數據的函數。

getTCGA_RNAseq_data = function(filepath,jsonFileInfo,data_type){datamatrix = data.frame()for(wd in filepath){#每一個循環讀取一個文件tempPath <- unlist(strsplit(wd,"/"))filename <- tempPath[length(unlist(strsplit(wd,"/")))]message(paste0("微信公眾號:MedBioInfoCloud提示:正在讀入文件:\n",filename))oneSampExp <- read.table(wd,comment.char = "#",header = T,sep = "\t")oneSampExp = oneSampExp[-c(1:4),]# 根據jsonFileInfo文件中文件名稱與barcode對應關系，命名列名if(wd == filepath[1]){oneSampExp = oneSampExp[,c("gene_id","gene_name","gene_type",data_type)]colnames(oneSampExp) <- c("gene_id","gene_name","gene_type",jsonFileInfo[filename,"TCGA_Barcode"])datamatrix = oneSampExp}else{oneSampExp = oneSampExp[,c("gene_id",data_type)]colnames(oneSampExp) <- c("gene_id",jsonFileInfo[filename,"TCGA_Barcode"])datamatrix = merge(datamatrix,oneSampExp,by = "gene_id")}}return(datamatrix) }

filepath?是下載的數據路徑。通過dir等類似的函數獲取的路徑向量。比如，我們下載的數據是一個壓縮包，解壓后，將文件名重新命名為data。

filepath = dir(path = "./data",pattern = "counts.tsv$",full.names = T,recursive = T)

jsonFileInfo是processingJsonFiles函數獲取的結果。

data_type是下面中的一種。

• "unstranded";

• "stranded_first";

• "stranded_second";

• "tpm_unstranded";

• "fpkm_unstranded";

• "fpkm_uq_unstranded"

對應文件中的信息

下面就可以獲取數據了，想要什么就獲取什么。一般就是TPM和FPKM。

jsonFileInfo <- processingJsonFiles(jsonFile = "metadata.cart.2022-04-05.json ") filepath = dir(path = "./data",pattern = "counts.tsv$",full.names = T,recursive = T) dat = getTCGA_RNAseq_data(filepath =filepath,jsonFileInfo = jsonFileInfo,data_type = "fpkm_unstranded") head(dat)[,1:5]

原來TCGA數據庫的下載，使用TCGAbiolinks包是否還可以處理數據，我還沒有試，但下載數據應該是沒有問題的。

---

對于之前版本的數據。我之前文章【數據庫數據 | TCGA數據庫33種癌癥的 transcriptome profiling (RNA-Seq) 數據】有已經處理好的數據，大家可以下載。

最后，有用的給個贊賞！

經? ? 典? ? 欄? ? 目

總結

以上是生活随笔為你收集整理的2022-TCGA数据库重大更新后RNASeq的STAR-Counts数据的下载与整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。