TCGA临床数据的提取

TCGA临床数据的下载这里不做介绍。下载后解压数据会得到包含多个子文件夹的的文件，如下所示：

TCGA文件.png

每个子文件夹下通常包含XML文件，有的也会包含多个文件。但我们需要用到的就是XML文件，从中提取得到临床信息。XML文件内容如下图的例子所示：

xml.png

我们需要从每个子文件下面中的XML文件中提取临床信息，并合并到一起形成完整的临床数据。这里使用Python，代码如下：

import xml.etree.cElementTree as ET
import os
import re
import sys

sourceDir = sys.argv[1]

filepath = []
for dirName, subfolders, filenames in os.walk(sourceDir):
    if len(filenames) > 1:
        file_xml = [i for i in filenames if r'.xml' in i]
        if file_xml:
            filepath.append(os.path.join(dirName, *file_xml))
    else:
        filepath.append(os.path.join(dirName, *filenames))


def None2unknow(str):
    if dict_clin[str]:
        dict_clin[str][-1] = "unknow" if dict_clin[str][-1] is None else dict_clin[str][-1]
    else:
        dict_clin[str].append("unknow")

with open('result.txt', 'w') as F:
    F.write("ID\tSurvival_time\tStatus\tRace\tGender\tAge\tGrade\tStage\tT\tN\tM\n")
    for path in filepath:
        tree = ET.ElementTree(file=path)
        root = tree.getroot()
        dict_clin = {"ID": [],"Survival_time": [],"Status": [],
                     "Race": [],"Gender": [],"Age": [],"Grade": [],
                     "Stage": [],"T": [],"N": [],"M": []}
        for n in root.iter():
            # basic information
            if n.tag.endswith("bcr_patient_barcode"):
                dict_clin["ID"].append(n.text)
            if n.tag.endswith("days_to_last_followup"):
                dict_clin["Survival_time"].append(n.text)
            if n.tag.endswith("vital_status"):
                dict_clin["Status"].append(n.text)
            if n.tag.endswith("race"):
                dict_clin["Race"].append(n.text)
            if n.tag.endswith("gender"):
                dict_clin["Gender"].append(n.text)
            if n.tag.endswith("age_at_initial_pathologic_diagnosis"):
                dict_clin["Age"].append(n.text)
            if n.tag.endswith("neoplasm_histologic_grade"):
                dict_clin["Grade"].append(n.text)
            if n.tag.endswith("pathologic_stage"):
                dict_clin["Stage"].append(n.text)
            if n.tag.endswith("pathologic_T"):
                dict_clin["T"].append(n.text)
            if n.tag.endswith("pathologic_N"):
                dict_clin["N"].append(n.text)
            if n.tag.endswith("pathologic_M"):
                dict_clin["M"].append(n.text)
            for key in dict_clin.keys():
                None2unknow(key)
        F.write(dict_clin["ID"][-1]+"\t"+
                dict_clin["Survival_time"][-1]+"\t"+
                dict_clin["Status"][-1]+"\t"+
                dict_clin["Race"][-1]+"\t"+
                dict_clin["Gender"][-1]+"\t"+
                dict_clin["Age"][-1]+"\t"+
                dict_clin["Grade"][-1]+"\t"+
                dict_clin["Stage"][-1]+"\t"+
                dict_clin["T"][-1]+"\t"+
                dict_clin["N"][-1]+"\t"+
                dict_clin["M"][-1]+"\n")

代码说明：

1.代码考虑到可能存在空的子文件夹的情况。

2.对于缺失的临床数据，替换为unknow。

3.对于多次随访的临床数据，只取最后一次的随访数据。

注：XML数据中可以提取的信息很多，除了基本的性别、年龄、生存时间等，还包括手术信息，放、化疗信息，甚至还包括放疗的剂量等。然而这完全取决与数据的完整性，提取太多信息会存在很多缺失值，因此这里提取的信息就是基本的临床信息。

值得注意的是，TCGA的临床数据中包含初次诊断的信息以及随访信息。
通过观察XML文件，奥利给发现目前的临床数据有由初诊数据和两次随访数据构成，TCGA是一个不断更新的数据库，因此新的随访数据会不断被更新并加入到临床信息中。但是这里只提取最后一次的随访信息。

使用方法：

将代码复制保存为 .py结尾的文件，比如为get_clindata.py。将get_clindata.py文件复制到解压后的临床数据的子文件夹目录，如下图：

复制代码文件.png

在命令行（windows就是命令提示符模式）进入代码所在的文件路径
输入：python get_clindata.py 你的当前文件路径（即代码所在的文件路径）

比如：

python get_clindata.py /Users/mac/test_raw/py_code/py_project/gdc_download_20190703_022829.964065

回车即可在当前文件路径找到result.txt文件，打开如下图所示：

临床数据文件.png

---

至此，就完成了临床数据的提取。

但使龙城飞将在

不教胡马度阴山