零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（一）

经过一段时间的积累，搭建的分析平台已经日渐进入稳定的状态，很多粉丝也在和我们反馈，让我们出一下零代码生信套路课。

小编找了很久，发现某某机构出的TCGA联合GEO 免疫基因+代谢基因的生信套路，该套路应用常见相对来说比较广，又属于双热点套路。但是代码运行真的是太麻烦了，还有各种各样的报错，实在是不好弄，为此，我们推出了复现课程，该课程内容较长， 分成几篇进行讲解，如带来不便，请大家谅解！

一、TCGA数据的下载和预处理

这里通过生信豆芽菜官网可以直接下载TCGA的数据，比如这里我们以LUAD数据为例，

http://www.sxdyc.com/tcgaDataSet

下载后放在文件夹1.TCGA.pre下面

用excel打开TCGA.merge.cli.txthe tcga.merge.mRNA.TPM.txt的文件

1、整理表达谱数据

A列的数据为基因ENSG号，可以直接删掉，C列的数据需要注意，代表了基因的类型，比如说这里选择蛋白编码的基因，将其他类型的全部删掉

选择数据-筛选-将protein_coding的 基因保留下来，如果这里需要分析lncRNA，就单独只保留lncRNA

这时候，删掉A和C列的数据

将数据保存后，这里出来后的数据很容易出现重复的基因，所以可以使用我们的去重工具

http://www.sxdyc.com/singleCollectionTool?href-preprocess

选择去重工具，上传刚刚处理好的TCGA的表达谱数据，并选择去重的方法，等待运行结束即可。

当然如果文件过大，可以选择7-zip进行压缩，将文件压缩为.gz的格式

2、整理生存数据

打开文件后，先删掉后面无用的列名信息，去重

替换字符

去掉缺少生存时间和生存状态的样本



最后保存数据即可

二、GEO数据的下载和预处理

1、从NCBI的GEO dataset官网查找合适的GEO的数据集，可以通过关键词进行查找，也可以通过已经发表的文章进行筛选。

(https://www.ncbi.nlm.nih.gov/)

通过一些关键词进行搜索。

比如这里选择GSE31210，怎么下载呢

往下滑动，选择platforms（平台注释文件）和矩阵文件


2、表达谱数据和临床数据的处理

对GSE31210_series_matrix.txt.gz文件进行解压，然后excel打开

这一部分为样本的表型数据，有时候，表型的临床是存在原文的附件中。

表达谱的数据，这些信息都要删掉，同时拉到最后，将最后一行删掉。

然后保存一下数据

3、注释信息的准备

删掉多余的行和列，去掉一个探针对应多个基因名

选择筛选-包含-///，将这些行全部删掉。


合并数据

运行完成后



在最后一列，有基因的名字，直接剪切粘贴到A列

这时候保存一下，再用去重工具，去一下重复的基因，在前面处理的时候，我们将一个探针对应多个基因的去掉了，那么这里的基因重复就是多个探针对应一个基因名，可以选择去重方法进行去重，这里就省略了

到这里数据的准备阶段基本就做完了，需要注意的是，在分析的过程中药注意基因的表达，相差大的，可以取一个log进行后续的分析。
#################################
到这里数据准备基本就结束，如果有兴趣可以关注公众号（豆芽数据分析）
有零代码复现相关问题，可以付费进入零代码答疑群和大家一起交流，群费为9.9元，拒绝白嫖党（添加微信：ShenxinBS003或者ShenxinBS001）