12/2学习内容（TCGA 2.0）
上午
继续阅读关于老师发的文献，不过这次老师发的文献感觉有点难理解了，需要一定的知识储备，所以阅读的时候不懂有去谷歌一下，所以阅读起来就慢了一点
下午
想把之前的那个TCGA的流程再搞一搞，争取理解明白。不过在阅读公众号和博客的时候发现一个强大的包，感觉还不错，就进行了操作，下面是GDCRNATools包的下载数据教程
3 GDCRNATools套餐安装
可以通过运行以下命令来安装稳定发行版：
## try http:// if https:// URLs are not supported
if (!requireNamespace("BiocManager", quietly=TRUE))
install.packages("BiocManager")
BiocManager::install("GDCRNATools")
要安装开发版本，请将R and Biocondutor更新到最新版本并运行：
if (!requireNamespace("BiocManager", quietly=TRUE))
install.packages("BiocManager")
BiocManager::install("GDCRNATools", version = "devel")
library(GDCRNATools)
4快速入门
在中GDCRNATools，内置了一些功能供用户有效下载和处理GDC数据。用户还可以使用自己的数据，这些数据由其他工具处理，例如UCSC Xena GDC集线器，TCGAbiolinks （Colaprico et al.2016）或TCGA-Assembler （Zhu，Qiu和Ji 2014）等。
在这里，我们使用一个小的数据集来显示ceRNAs网络分析的最基本步骤。每个步骤的更详细说明在“ 案例研究”部分中。
4.1数据准备
HTSeq-Counts数据的标准化
library(DT)
### load RNA counts data
data(rnaCounts)
### load miRNAs counts data
data(mirCounts)
####### Normalization of RNAseq data #######
rnaExpr <- gdcVoomNormalization(counts = rnaCounts, filter = FALSE)
####### Normalization of miRNAs data #######
mirExpr <- gdcVoomNormalization(counts = mirCounts, filter = FALSE)
解析元数据
####### Parse and filter RNAseq metadata #######
metaMatrix.RNA <- gdcParseMetadata(project.id = 'TCGA-CHOL',
data.type = 'RNAseq',
write.meta = FALSE)
metaMatrix.RNA <- gdcFilterDuplicate(metaMatrix.RNA)
metaMatrix.RNA <- gdcFilterSampleType(metaMatrix.RNA)
datatable(as.data.frame(metaMatrix.RNA[1:5,]), extensions = 'Scroller',
options = list(scrollX = TRUE, deferRender = TRUE, scroller = TRUE))
搜索：
| 文件名 | file_id | 患者 | 样品 | Submitter_id | entity_submitter_id | sample_type | 性别 | 年龄诊断 | 肿瘤阶段 | 肿瘤等级 | days_to_death | days_to_last_follow_up | vital_status | project_id | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| TCGA-3X-AAV9-01A | 725eaa94-5221-4c22-bced-0c36c10c2c3b.htseq.counts.gz | 85bc7f81-51fb-4446-b12d-8741eef4acee | TCGA-3X-AAV9 | TCGA-3X-AAV9-01 | TCGA-3X-AAV9-01A | TCGA-3X-AAV9-01A-72R-A41I-07 | 原发性肿瘤 | 男 | 26349 | 阶段I | 339 | 死 | TCGA-CHOL | ||
| TCGA-3X-AAVA-01A | b6a2c03a-c8ad-41e9-8a19-8f5ac53cae9f.htseq.counts.gz | 42b8d463-6209-4ea0-bb01-8023a1302fa0 | TCGA-3X-AAVA | TCGA-3X-AAVA-01 | TCGA-3X-AAVA-01A | TCGA-3X-AAVA-01A-11R-A41I-07 | 原发性肿瘤 | 女 | 18303 | 舞台 | 445 | 死 | TCGA-CHOL | ||
| TCGA-3X-AAVB-01A | c2765336-c804-4fd2-b45a-e75af2a91954.htseq.counts.gz | 6e2031e9-df75-48df-b094-8dc6be89bf8b | TCGA-3X-AAVB | TCGA-3X-AAVB-01 | TCGA-3X-AAVB-01A | TCGA-3X-AAVB-01A-31R-A41I-07 | 原发性肿瘤 | 女 | 25819 | 阶段性 | 402 | 活 | TCGA-CHOL | ||
| TCGA-3X-AAVC-01A | 8b20cba8-9fd5-4d56-bd02-c6f4a62767e8.htseq.counts.gz | 19e8fd21-f6c8-49b0-aa76-109eef46c2e9 | TCGA-3X-AAVC | TCGA-3X-AAVC-01 | TCGA-3X-AAVC-01A | TCGA-3X-AAVC-01A-21R-A41I-07 | 原发性肿瘤 | 女 | 26493 | 阶段I | 709 | 活 | TCGA-CHOL | ||
| TCGA-3X-AAVE-01A | 4082f7d5-5656-476a-9aaf-36f7cea0ac55.htseq.counts.gz | 1ace0df3-9837-467e-85de-c938efda8fc8 | TCGA-3X-AAVE | TCGA-3X-AAVE-01 | TCGA-3X-AAVE-01A | TCGA-3X-AAVE-01A-11R-A41I-07 | 原发性肿瘤 | 男 | 21943 | 舞台 | 650 | 活 | TCGA-CHOL |
显示5个条目中的1-5个
4.2 ceRNAs网络分析
鉴定差异表达基因（DEG）
DEGAll <- gdcDEAnalysis(counts = rnaCounts,
group = metaMatrix.RNA$sample_type,
comparison = 'PrimaryTumor-SolidTissueNormal',
method = 'limma')
datatable(as.data.frame(DEGAll),
options = list(scrollX = TRUE, pageLength = 5))
| 符号 | 组 | 日志FC | AveExpr | Ť | 值 | 罗斯福 | 乙 | |
|---|---|---|---|---|---|---|---|---|
| ENSG00000143257 | NR1I3 | protein_coding | -6.9168253303911 | 7.02312879999841 | -17.290860517483 | 4.24435471535975e-22 | 2.41928218775506e-19 | 40.0428794972668 |
| ENSG00000205707 | ETFRF1 | protein_coding | -2.49218157877227 | 9.51599650308333 | -16.0675281445046 | 8.35325586851415e-21 | 2.38067792252653e-18 | 37.1975058932658 |
| ENSG00000134532 | SOX5 | protein_coding | -4.87111820944092 | 6.22822704823733 | -15.0358907798233 | 1.16874593482166e-19 | 2.22061727616116e-17 | 34.4982800309858 |
| ENSG00000141338 | ABCA8 | protein_coding | -5.65379410618959 | 7.52058085084197 | -14.8606853150024 | 1.85151852120375e-19 | 2.63841389271535e-17 | 34.1158106917837 |
| ENSG00000066583 | ISOC1 | protein_coding | -2.37013127019847 | 10.4661940943542 | -14.5653242812861 | 4.05395903332572e-19 | 4.62151329799132e-17 | 33.3563998870241 |
显示565条目中的1至5
上一页12345… 113下一页
### All DEGs
deALL <- gdcDEReport(deg = DEGAll, gene.type = 'all')
### DE long-noncoding
deLNC <- gdcDEReport(deg = DEGAll, gene.type = 'long_non_coding')
### DE protein coding genes
dePC <- gdcDEReport(deg = DEGAll, gene.type = 'protein_coding')
DEG的ceRNAs网络分析
ceOutput <- gdcCEAnalysis(lnc = rownames(deLNC),
pc = rownames(dePC),
lnc.targets = 'starBase',
pc.targets = 'starBase',
rna.expr = rnaExpr,
mir.expr = mirExpr)
## Step 1/3: Hypergenometric test done !
## Step 2/3: Correlation analysis done !
## Step 3/3: Regulation pattern analysis done !
datatable(as.data.frame(ceOutput),
options = list(scrollX = TRUE, pageLength = 5))
搜索：
| 核糖核酸 | 基因 | 计数 | listTotal | 流行 | popTotal | foldEnrichment | hyperPValue | 微小RNA | 肺心病 | 价值 | regSim | sppc | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1个 | ENSG00000234456 | ENSG00000107864 | 2 | 2 | 95 | 277 | 2.91578947368421 | 0.116805315753675 | hsa-miR-374b-5p，hsa-miR-374a-5p | 0.673743160640659 | 1.96357934602162e-7 | 0.348159146921007 | -0.00796286536619112 |
| 2 | ENSG00000234456 | ENSG00000135111 | 2 | 2 | 24 | 277 | 11.5416666666667 | 0.0072202166064982 | hsa-miR-374b-5p，hsa-miR-374a-5p | 0.646730687388315 | 7.94394469982837e-7 | 0.887824907942123 | 0.000618576702863805 |
| 3 | ENSG00000234456 | ENSG00000165672 | 2 | 2 | 8 | 277 | 34.625 | 0.000732485742688222 | hsa-miR-374b-5p，hsa-miR-374a-5p | 0.462611638256242 | 0.00068804277886866 | 0.42891988840537 | 0.0000710020933214484 |
| 4 | ENSG00000234456 | ENSG00000100934 | 2 | 2 | 20 | 277 | 13.85 | 0.00497043896824151 | hsa-miR-374b-5p，hsa-miR-374a-5p | 0.708034965259449 | 2.66531676689658e-8 | 0.373352080377257 | -0.0084304674105859 |
| 5 | ENSG00000234456 | ENSG00000117500 | 2 | 2 | 28 | 277 | 9.89285714285714 | 0.00988855752629099 | hsa-miR-374b-5p，hsa-miR-374a-5p | 0.619591906145269 | 0.00000283650932376371 | 0.405166803044555 | -0.00123287038918679 |
显示453条目中的1至5
上一页12345… 91下一页
将ceRNAs网络导出到Cytoscape
ceOutput2 <- ceOutput[ceOutput$hyperPValue<0.01
& ceOutput$corPValue<0.01 & ceOutput$regSim != 0,]
### Export edges
edges <- gdcExportNetwork(ceNetwork = ceOutput2, net = 'edges')
datatable(as.data.frame(edges),
options = list(scrollX = TRUE, pageLength = 5))
### Export nodes
nodes <- gdcExportNetwork(ceNetwork = ceOutput2, net = 'nodes')
datatable(as.data.frame(nodes),
options = list(scrollX = TRUE, pageLength = 5))
把ceRNAs网络导出Ctoscape，然后对比文章的，看自己做的是否有差异。
（争取把这个折腾会 ）。