零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（二）
前面的分析中，下载TCGA和GEO的数据，并进行简单的处理，接下来就是相关基因集的获取和整理，为后期聚类和降维做准备工作（数据准备：https://blog.csdn.net/weixin_43949246/article/details/134215103）
三、获取免疫基因和代谢相关的基因集
这里可以选择从GSEA官网下载免疫和代谢相关基因，或者换成其他的基因也是可以的
1、取对数，TCGA的数据一般跨度比较大，所以在使用limma做差异之前，需要取一个log进行后续的分析（http://www.sxdyc.com/logarithmicdata）
运行完成后，点击下载即可
2、直接提取相关基因的表达谱矩阵
准备好基因集后，可以收到一个一个捕获基因的表达谱，也可以使用我们的工具
首先获取这两个基因集合并为all.gene.txt
使用工具，提取特定的基因集(提取部分基因表达，http://www.sxdyc.com/geneExpression)
需要上传两个文件，一个是全基因的表达谱数据，一个是基因的列表信息
运行完成后，直接下载数据
四、TCGA数据差异分析
1、准备分组文件
接下来进行差异分析，需要准备一个分组文件，这里选择 4.特征基因表达谱的准备 文件夹中生成的dat.select.txt 的文件
从14号位置往后数两个字符，其中01为肿瘤组织，11为正常组织
02其实也是肿瘤组织，只是很多分析中会去掉，因为01是原发性肿瘤，保存一下（所以只保留了01和11的样本）
2、差异分析
这里其实有两种做法的，一种是拿免疫+代谢相关基因表达谱进行差异分析，一种是拿全部的基因做差异分析，筛选出差异基因后，在和免疫+代谢相关基因集取交集。(这里选择的是免疫+代谢相关基因表达谱进行差异分析)
http://www.sxdyc.com/diffLimmaAnalyse
3、差异分析的火山图的绘制
从limma差异分析中下载差异分析的结果
获取绘制火山图的数据，包含三列，顺序分别为基因，差异倍数，p值
http://www.sxdyc.com/visualsVolcano
补充一点，如果这里用全部的基因做差异，需单独使用venn图的工具取一个交集
4、差异基因表达的热图
差异基因的获取，用excel的筛选工具，对volcan0.txt进行筛选（标准：logFC选择大于1或者小于-1，FDR<0.05，当然这里的标准可以进行修改），把相关基因提取放在heatmap.gene.txt文件中
先通过工具获取差异基因的表达谱（http://www.sxdyc.com/geneExpression）
运行成功后，下载数据，并改名为heatmap.exp.txt
在使用工具绘制热图（http://www.sxdyc.com/visualsClusterHeat）
这里需要注意的是
行注释为：基因的分组信息，如上调，下调的分组，代谢还是免疫基因的分组等等；
列注释为：样本的分组信息，例如这个癌组织和癌旁组织
热图的颜色：从低到高的颜色
是否显示行名：这里需要显示基因名，就选yes
是否显示列名：这里需要显示样本命，就选yes
是否进行行聚类：如果需要对基因进行聚类，就选yes
是否进行列聚类：如果需要对样本进行聚类，就选yes
图片的高度和宽度设置好
提交后等待运行成功即可下载
五、TCGA和GEO差异基因获取和预后数据的整理
1、差异基因集的获取，获取TCGA和GEO数据集的共有基因
首先，需要将GEO的数据中的基因名单独复制到gse31210.gene.list.txt文件中
使用venn/upset图绘制工具，获取交集基因（http://www.sxdyc.com/visualsVennUpset）
准备绘制venn图的文件，如这里只要两个组
上传后，绘制venn图，这里的颜色指的是分组的颜色（工具写错了，后面会改掉），设置图片的宽度和高度，运行完成后，直接下载即可
这时候就需要提取共有基因表达谱，包括TCGA和GEO的表达谱数据，为后面的分型和建模做准备。
2、TCGA数据集肿瘤组织生存数据的准备和表达谱矩阵的准备
提取TCGA的肿瘤组织的表达谱，在5.差异基因热图获取的group.txt和heatmap.exp.txt，打开group.txt，数据筛选，删掉N的样本，只有肿瘤组织的样本，另存为group1.txt（只保留第一列的样本名，去掉列名）。
打开生存数据TCGA.merge.cli.txt，去掉生存时间为0的样本
准备两列数据，第一列数据为生存时间大于0的样本，第二列为肿瘤组织的样本，用excel选择1-12位字符串，接下來复制C列的数据，选择性粘贴在C列，选择数值（这一步很重要）
然后把A列的数据复制在C列之下，用excel筛选共有的样本
开始-条件格式-突出显示单元格规则-重复值（选择C列之后）
将没有颜色的行删掉
这时候将B列的样本名复制为group1.txt的文件中。
同时将C列中重复的样本复制在生存数据中，将不存在的样本删掉TCGA.merge.cli.txt，一样的方法去掉多余的样本
打开heatmap.exp.txt文件，转置，如下所示，改为heatmap.exp1.txt
使用提取部分基因表达工具提取肿瘤组织的表达谱（http://www.sxdyc.com/geneExpression），当然也可以手动一个一个删，这样比较麻烦
运行完成后，直接下载，并改名为tcga.T.dat.txt
用excel打开tcga.T.dat.txt文件，然后，提取样本的1-12位字符串
接下來复制B列的数据，选择性粘贴在A列，选择数值（这一步很重要）
然后删除B列的信息，只留A列的信息即可
该文件保存一下即可
3、GEO数据生存时间的筛选和表达谱矩阵的获取
首先获取共有基因表达谱，准备文件（2.geo.pre\GSE31210\gse31210.dat.process.txt）,6.TCGA和GEO差异基因获取和预后数据的整理中获取的（com.set.txt），使用工具（http://www.sxdyc.com/geneExpression）提取gse31210数据集表达谱
运行完成后，下载即可
下载后改名为gse31210.select.gene.txt
打开gse31210的生存数据，删掉正常组织，保留我们想要的临床信息
修改生存时间名字（习惯性修改为OS.time和OS），并将生存状态Ailve替换为0，dead替换为1
并将样本复制出现，保存在gse.sample.txt
打开gse31210.select.gene.txt文件，在excel转置一下，提取肿瘤组织的表达谱数据，和TCGA数据一样
运行完成后，下载并改名为gse31210.T.data.txt
接下来就是分子亚型和风险模型的构建
#################################
到这里关键基因集的获取和生存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）