GWAS分析-说人话（5）keep提取我们需要的表型数据 I

前言

“皇上，您还记得大明湖畔的夏雨荷吗？”

“小白，您还记得fam文件的第六列吗？”

当一个数据集（如肺癌），包括很多中类型的肺癌的时候

如腺癌（表型=2），鳞癌（表型=3），小细胞（表型=4）的时候，

你就需要把这部分数据提取出来了～

小白，不要告诉我你想在成千上万的数据中一个一个筛选出来～

---

首先，要达到“提取”=保留的目的，我们需要看需要什么指令：

这就是keep指令：

keep指令

人话：相信我，小白这样看，一辈子都提取不出来

因为这里涉及到“准备中间的那个sampleID”文件。

所以，我们需要分两步走：

Step 1：弄这个“sampleID”文件

”sampleID”文件，就是指，我想提取的表型（本例子是小细胞肺癌SCLC）的所有样本的ID（什么是ID？求你看看GWAS分析-说人话（2）认识文件名）

然后，我们需要在表型数据（一般是一个txt文件上看，这个数据是怎样分的）

说人话：是的，右键打开来看就可以了！～

pheno数据长这样

打开长这样：

打开长这样：

然后，高逼格的就通过程序读##之后的第11行，低逼格的人工把前10行（有#的）去掉后保存成一个txt文件，如下：

整理后的txt文件

本数据集中MORPHOLOGY==3，SCLC，所以我们就是提取所有第六行为3的ID出来。

好了，“大招”来了，打开你的R语言：

> tmp=read.table("phen.txt",header=T, stringsAsFactors = F, sep="\t")

> tmp[1:2,1:6]

> table(tmp$CASE_STATUS)

> table(tmp$MORPHOLOGY)

> smallcell=which(tmp$MORPHOLOGY==3)

> smallcell

> smallcellID=tmp$GENEVA_ID[smallcell]

> smallcellID

> write.table(smallcellID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/SCLC_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

这个操作就是把所有SCLC的ID全部提取出来，保存成一个SCLC_GENEVA_ID.txt的文件，没错，这个就下一步keep中间需要的文件了。

说人话：R代码解读如下：

> 读文件

> 看看有没有读取成功，第1-2行，1-6列长啥样

> 看看表格中CASE_STATUS

> 看看表格中MORPHOLOGY

> 定义smallcell是表格中MORPHOLOGY这一列等于3的数字

> 看看smallcell长啥样

> smallcellID就是表格中GENEVA_ID这一列中属于smallcell的数，提取出来

> 看看smallcellID长啥样

> 输出数据

我尽力了...(看得高兴就打个赏呗～)

上面的代码显示的整个分析过程，实际上每个组的代码就三行，如下：

---

下面就是重复的东西了：

接着，我还要对对照组，腺癌，鳞癌等的数据集提取出来（后面肯定是要分析不同的组是怎样变化的啦～）：

按需求，反复多次：

鳞癌

> squamous_epi=which(tmp$MORPHOLOGY==1)

> squamous_epiID=tmp$GENEVA_ID[squamous_epi]

> write.table(squamous_epiID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/squamous_epi_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

腺癌

> adeno=which(tmp$MORPHOLOGY==2)

> adenoID=tmp$GENEVA_ID[adeno]

> write.table(adenoID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/adeno_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

大细胞

> large=which(tmp$MORPHOLOGY==4)

> largeID=tmp$GENEVA_ID[large]

> write.table(largeID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/large_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

数据集中其他的非小细胞肺癌

> otherNSCLC=which(tmp$MORPHOLOGY==7)

> otherNSCLCID=tmp$GENEVA_ID[otherNSCLC]

> write.table(otherNSCLCID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/otherNSCLC_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

数据中的其他肺癌

> otherlungca=which(tmp$MORPHOLOGY==8)

> otherlungcaID=tmp$GENEVA_ID[otherlungca]

> write.table(otherlungcaID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/otherlungca_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

对照组

> controlgroup=which(tmp$CASE_STATUS==0)

> controlgroupID=tmp$GENEVA_ID[controlgroup]

> write.table(controlgroupID, "/Users/seedson/Desktop/SOM/phs000093.v2 data/controlgroup_GENEVA_ID.txt", row.names= FALSE, col.names = FALSE)

最后，相应的文件夹（目录）中就会产生相应的数据：

准备好的sampleID文件

好了，信息量有点大了，step2下回分解了～

以上