手把手学会TCGA数据分析

在windows系统上进行TCGA数据的自定义分析，需要：

1，gdc-client，TCGA官网的下载工具专门用来下载TCGA中的数据；

2，RStudio，因为代码就是用R写的；

3，gdc_manifest.txt，你需要的数据索引，是通过设置参数最终由TCGA下载得到，大概几十KB，主要用来告诉gdc-client软件，你需要下载的文件有哪些；

4，metadata.json, 对下载文件的注释信息，主要是一些临床信息。具备以上软件和文档之后，就可以开始进行自定义分析了：

gdc-clinet下载数据：Win+R，打开cmd，进入gdc-client.exe，gdc_mainfest.txt所在的目录。我这里给出了一个下载链接，包括gdc-client.exe，gdc_mainfest.txt以及metadata.json供大家练习（https://pan.baidu.com/s/1Bhw1DzVS0y2AewLT1rGEVA  提取码：09en ）

gdc-client.exe download -m gdc_manifest.txt

利用R语言将下载的多个数据文件夹移动到一个文件夹下

dir.create('x')#在下载的文件目录下创建新的文件夹x

i<-list.dirs()#计算文件下的路径（文件夹）数目

 #list.file()计算文件数目

m=i[2:(length(i)-1)]

for(n in m){

x.path=paste(n,list.files(n),sep='/')

file.copy(x.path,'./x',recursive = T)}

然后将x文件夹下的文件全部选中，手动解压，再按照以下代码进行合并

setwd('C:/Users/Desktop/gdc_tools/x')#注意路径的变化

x_merge=NULL

for(n in i){

  x=read.delim(n,col.names = c('ID',substr(n,1,9)))

  if(is.null(x_merge)){ x_merge=x  }  else{  x_merge=merge(x_merge,x,by='ID')  }

}

rownames(x_merge)<-x_merge$ID

x_reduce=x_merge[-(1:5),]#对于RNA测序数据，前5行是汇总信息，在后面分析中用不到

x_reduce=x_reduce[,-1]#删除第一列的样本名

由metadata.json中读取样本信息（是癌症还是正常）

library(rjson)

x=fromJSON(file='metadata.json')

n=ncol(x_reduce)

id=rep(0,n)

sample_id=rep(0,n)

for(i in 1:n){

id[i]=x[[i]]$submitter_id

sample_id[i]=x[[i]]$associated_entities[[1]]$entity_submitter_id

}

sample_matrix=data.frame(id=id,sample_id=sample_id)

sample_info=data.frame(id=substr(id,1,9),sample_id=substr(sample_id,1,15))

sample_info=sample_info[order(sample_info$id),]

colnames(x_reduce)=sample_info$sample_id

xb=rownames(x_reduce)

xc<-gsub("\\.(\\.?\\d*)","",xb)

rownames(x_reduce)=xc

根据metadata.json中的信息，对数据进行分组

group_name=colnames(x_reduce)

group_name=substr(group_name,14,15)

group=ifelse(as.numeric(group_name)<10,1,0)

group=factor(group,levels = c(0,1),labels = c('normal','cancer'))

采用DESeq2对上文的转录组数据进行分析

library(DESeq2)

x_d<-x_reduce[rowSums(x_reduce>20)>ncol(x_reduce)/2,]#有一半样本中计数数目超过20例

cData<-data.frame(group=group)

rownames(cData)<-colnames(x_d)

d.des<-DESeqDataSetFromMatrix(x_d,colData = cData,design = ~group)

res<-DESeq(d.des)

result<-results(res)#即为差异分析的结果

接下来你就可以对得到的差异表达基因进行下游的GO分析或者PPI network构建等。