#TCGA系列#使用GTEx的数据进行差异表达分析

#上期​我们比较了TCGA肝癌组织 vs 正常组织的差异表达分析.但由于它的正常样本也来自于肝癌病人可能导致样本聚类混乱.本期开始使用GTEx的正常Liver样本数据来代替TCGA的正常样本数据进行差异表达分析.来挖掘与TCGA肝癌病人的正常样本的差异.如果与之前的分析有较大差异,并且更符合实验验证结果,那说明TCGA正常样本的数据可能是不适合作为差异表达分析的对照组的.

GTEx的表达谱数据来源于175名死者身上采集的1641个尸检样本，这些样本来自身体43个不同的部位.包含5万4千个基因的测序信息.

我们首先下载GTEx的样本注释文件和表达谱文件,链接如下: https://www.gtexportal.org/home/datasets .上面的是注释文件,下面的是表达谱.

GTEx下载界面

然后进行提取正常Liver组织的表达谱:

# 获取所有liver样本的ID:
awk 'BEGIN{OFS="\t";FS="\t"}{
   if(NR==1){
     for(i=1;i1 && $target_id=="Liver")print $0;
   }' ./GTEx_Data_V6_Annotations_SampleAttributesDS.txt >./GTEx_Data_V6_Anno_liver.tsv 

提取出143个Liver的样本,第一列是ID,我们需要凭ID从所有组织样本表达谱文件中提取Liver的.

143个GTEx正常肝样本信息

将表达谱文件解压:

# 解压:
gunzip -d GTEx_Analysis_v6p_RNA-seq_RNA-SeQCv1.1.8_gene_reads.gct.gz

解压后发现还是很大,有1.3个G,那我们看看前1000行是啥样子:

GTEx表达谱文件部分内容

前两行是注释,第二行是说有56238个"gene"和8555个样本,从第三行开始是样本ID所对应的"gene"的表达量.这56238个"gene"里囊括所有的蛋白编码基因,lncRNA,pseudogene,miRNA等所有"gene".我们先根据列名提取Liver所对应ID的样本表达谱:

awk 'BEGIN{OFS="\t";FS="\t"}{
  #处理第一个文件:
  if(NR==FNR && NR>1){a[$1];}  #保存第一列ID到数组a
  #处理第二个文件:
  if(NR>FNR && FNR==3){
    printf "%s\t%s",$1,$2;  #输出第一列"Name"和"Description"列名
    for(i=3;i<=NF;i++){
      if($i in a){
        b[i]=$i;            #保存ID到下标为列数的数组b    
        printf "\t%s",$i;   #输出ID
      }
    }
    printf "\n";
    #由于awk自动输出无序数组,所以对数组排序,保存排序后b的下标到bs
    bl=asorti(b,bs);
    #排序输出:for(i=1;i<=bl;i++)print "i:"i"\tbs:"bs[i]"\tbsi"b[bs[i]];
  }

  if(NR>FNR && FNR>4){
    printf "%s\t%s",$1,$2;  #输出第一列gene_ID和gene_name列名
    for(i=1;i<=bl;i++){
      printf "\t%s",$bs[i];   #bs保存了排序后的列号;
    }
    printf "\n";
  }
}' ./GTEx_Data_V6_Anno_liver.tsv ./GTEx_Analysis_v6p_RNA-seq_RNA-SeQCv1.1.8_gene_reads.gct >./GTEx_Analysis_v6p_RNA_Liver.tsv

结果文件GTEx_Analysis_v6p_RNA_Liver.tsv部分内容如下:

提取的Liver的119个表达谱文件

但是我们发现一个问题,我们提取出来的Liver的样本ID有143个,但我们从总表达谱文件中只提取到119个样本的数据,也就是说有24个样本通过上面的脚本没有提取出来,仔细检查了脚本是没有问题的.

wc -l ./GTEx_Data_V6_Anno_liver.tsv 
# 结果为144,除去首航列名后是143.
awk 'BEGIN{FS="\t"}{if(NR==1)print NF}' ./GTEx_Analysis_v6p_RNA_Liver.tsv
# 结果为121,去除掉前两列非样本列后只有119列.

然后我直接去看之前提取的Liver的样本注释文件GTEx_Analysis_v6p_RNA_Liver.tsv, 发现后面有部分样本描述的信息缺失,并且数目也刚好是24个.这会不会是我们提取样本数目对不上的原因呢?

24个样本属性值缺失

为了查看这24个样本缺失了什么属性值,我们从GTEx的下载页面下载关于列属性的描述文件:

篮框里的是样本文件列属性注释文件

我们发现24个样本缺失的都是如下属性值,reads的map率, 嵌合reads,基因外reads比例,空位数目等关于测序结果的描述.这24个样本缺少这些信息表明它们可能没有测序或者质量不佳,所以没有被收录在,这里不做深究,也就是说我们只能从143个Liver样本中获得119个样本的表达谱.

24个样本缺失属性值

上面是使用shell的awk(我的最爱)从1.3个G的表达谱矩阵中提取想要的样本数据,其实对于这种矩阵类型的文件，R更方便逻辑更清晰，代码如下：

#　初始化环境：
rm(list=ls())
＃　载入包：
library(data.table)
＃　注释文件路径：
GTEx_liver_anno_path<-"./GTEx_Data_V6_Anno_liver.tsv"
＃　读入注释文件：
GTEx_liver_anno<-fread(GTEx_liver_anno_path,sep = "\t",header = T)
＃　获得要提取的样本ID：
liver_ID<-GTEx_liver_anno[,SAMPID]
#　再添加两个列名：
liver_ID<-append(c("Name","Description"),liver_ID)

＃　1.3Ｇ的表达谱文件路径：
GTExFile_path<-"./GTEx_Analysis_v6p_RNA-seq_RNA-SeQCv1.1.8_gene_reads.gct"

＃根据要提取的样本ID读入文件,skip前两行，select要读取的列，header是要的，分隔符是Tab．
GTEx_reads<-fread(GTExFile_path,sep="\t",header =T,skip = 2,select = liver_ID)
＃　输出文件：
fwrite(GTEx_reads,"./GTEx_Analysis_v6p_RNA_Liver2.tsv",sep = "\t")

对于1.3Ｇ这种还比较大的矩阵格式比较工整的文件，从逻辑来看,R更方便过程更容易理解，但AWK更快一点．本期先完成文件提取整合，下期开始进行miRNA ID转换及分析．

更多原创精彩内容敬请关注生信杂谈：