示例 KIRC_miRNA
1、具体下载教程见链接TCGA下载教程
2、整理表达矩阵
#整理表达矩阵
options(stringsAsFactors = F)
x = read.table("expdata/000c6bb3-c47d-49a1-ad0f-57093521f922/1260cbd9-170e-4032-b45e-99620b9304da.mirbase21.mirnas.quantification.txt",
row.names = 1,sep = "\t")[1]
x2 = read.table("expdata/007ddf5e-065e-4e86-8043-1db77ebee696/cdc41e50-520c-40ac-9217-fba25363365f.mirbase21.mirnas.quantification.txt",
row.names = 1,sep = "\t")[1]
identical(rownames(x),rownames(x2))
#由此可知，他们的geneid顺序是一致的，可以直接cbind，不会导致顺序错乱。
#批量读取所有的文件。
count_files = dir("expdata/",pattern = "*.quantification.txt$",recursive = T)
exp = list()
for(i in 1:length(count_files)){
exp[[i]] <- read.table(paste0("expdata/",count_files[[i]]),
row.names = 1,
sep = "\t",
header = T)[1]
}
exp <- do.call(cbind,exp)
dim(exp)
exp[1:4,1:4]
#发现问题：这样产生出来的表达矩阵没有列名。
#解决办法：找到一个文件名与样本ID一一对应的文件。cart-json文件。
meta <- jsonlite::fromJSON("metadata.cart.2020-08-18.json")
colnames(meta)
ids <- meta$associated_entities;class(ids)
ids[[1]]
ids[[1]]$entity_submitter_id
#可以看到，meta$associated_entities是个列表，这个列表里包含数据框，数据框的第一列内容就是tcga样本id。
#注意，换了数据需要自己探索存放在哪一列。不一定是完全一样的，需要确认清楚。
ID = sapply(ids,function(x){x$entity_submitter_id})
#文件名和样本名的对应关系，然后匹配到列名上去
file2id = data.frame(file_name = meta$file_name,
ID = ID)
#文件名与TCGA样本ID的对应关系已经得到，接下来是将其添加到表达矩阵中，成为行名。需要找到读取文件的顺序，一一对应修改。
head(file2id$file_name,2)
head(count_files,2)
count_files2 = stringr::str_split(count_files,"/",simplify = T)[,2]
table(count_files2 %in% file2id$file_name)
#
#count_files2的顺序就是列名的顺序，根据它来调整file2id的顺序。此处需要再次理解一下match函数。
file2id = file2id[match(count_files2,file2id$file_name),]
colnames(exp) = file2id$ID
exp[1:4,1:4]
##致此表达矩阵形成
#表达矩阵整理完成,需要过滤一下那些在很多样本里表达量都为0的基因。过滤标准不唯一。
dim(exp)
#exp = exp[rowSums(exp)>0,]
exp = exp[apply(exp, 1, function(x) sum(x > 1) > 200), ]#数字可变
dim(exp)
exp[1:4,1:4]
exp = as.matrix(exp)
### 分组信息
#根据样本ID的第14-15位，给样本分组（tumor和normal）
library(stringr)
table(str_sub(colnames(exp),14,15))
Group = ifelse(as.numeric(str_sub(colnames(exp),14,15)) < 10,'tumor','normal')
Group = factor(Group,levels = c("normal","tumor"))
table(Group)
save(exp,clinical,Group,proj,file = paste0(proj,"_gdc.Rdata"))
#至此，exp、clinical 、Group出来了