TCGA数据下载整理

姊妹篇：《TCGA 数据下载整理二》

TCGA数据下载GDC提供了工具，当然我没用过，我用过它提供的python api下载，算是简单的方法，自己先下载好样品信息表(sample sheet)再根据api写个python脚本批量下载。但我现在比较少这么做，能用鼠标点点点的事为什么要写几行代码，我现在是直接在GDC网站用浏览器下载，局限是文件不能太多太大，目前我试过1000+文件200+Mb大小成功。

前面在GDC选择需要下载文件并加入购物车(cart)就略过了。本文以TCGA-BLCA为例，我选好了要下载的read counts文件。

1.png

如图所示点击 Download --> Cart 就可以下载到数据了，旁边的各种Metadata, Sample Sheet什么的也建议下载，除了临床数据(Clinical)，临床数据建议去cBioPortal下载整理好的。

下载之后是单独的文件，需要整理合并，这时候一定要了解TCGA命名规则，官网给出规则总结见下图。

2.png

这是完整的ID，我们平常见到的应该是Vial之前部分。曾经我被一个教程误导了，导致我分析前把B结尾的样本数据先移除了，教程对Vial的解释：

Vial, 在一系列患者组织中的顺序，绝大多数样本该位置编码都是A; 很少数的是B，表示福尔马林固定石蜡包埋组织，已被证明用于测序分析的效果不佳，所以不建议使用-01B的样本数据

错误在于编码B与FFPE(福尔马林固定石蜡包埋组织)不存在这种绝对关系，看看下面代码结果。

> filter(sample, endsWith(sample_submitter_id, "B")) %>% dplyr::select(sample_submitter_id, is_ffpe)
# A tibble: 19 x 2
   sample_submitter_id is_ffpe
                    
 1 TCGA-H4-A2HO-10B    False  
 2 TCGA-E7-A85H-10B    False  
 3 TCGA-BL-A13I-01B    True   
 4 TCGA-E5-A4U1-10B    False  
 5 TCGA-CU-A3QU-10B    False  
 6 TCGA-K4-A4AB-01B    False  
 7 TCGA-BL-A13J-01B    True   
 8 TCGA-GC-A3RC-10B    False  
 9 TCGA-GV-A3JV-10B    False  
10 TCGA-E7-A6MF-10B    False  
11 TCGA-K4-A3WU-01B    False  
12 TCGA-E7-A6ME-10B    False  
13 TCGA-HQ-A2OF-10B    False  
14 TCGA-GV-A3QK-01B    False  
15 TCGA-E5-A4TZ-10B    False  
16 TCGA-GC-A3RD-10B    False  
17 TCGA-E7-A6MD-10B    False  
18 TCGA-BL-A0C8-01B    True   
19 TCGA-GU-A764-10B    False

有些项目会有一个组织块分多个部分的实验数据，比如

> filter(meta, sample_id=="TCGA-BL-A0C8-01A") %>% dplyr::select(sample_id, entity_submitter_id)
# A tibble: 2 x 2
  sample_id        entity_submitter_id         
                                     
1 TCGA-BL-A0C8-01A TCGA-BL-A0C8-01A-11R-A277-07
2 TCGA-BL-A0C8-01A TCGA-BL-A0C8-01A-11R-A10U-07

像这个只是plate部分不一样，以前我懒得搞直接把这种样品移除，最近遇到数据不足情况，我觉得就随机选其中一个文件使用就好，千万不要瞎操作给合并之类的。

合并下载的数据肯定也是批量操作不方便检查的，建议用python写脚本将Metadata.json文件内容整理如下格式:

sample_id       entity_submitter_id     file_name       is_ffpe
TCGA-E7-A97Q-01A        TCGA-E7-A97Q-01A-11R-A38B-07    695edbe7-d46a-433f-9ae8-a8978a19a320.htseq.counts.gz    False
TCGA-UY-A78O-01A        TCGA-UY-A78O-01A-12R-A33J-07    b6cc1a11-1805-4e41-8d7e-190c25609c17.htseq.counts.gz    False
TCGA-BT-A3PH-01A        TCGA-BT-A3PH-01A-11R-A220-07    748316bc-c1df-4dbf-b365-defbc050e9f9.htseq.counts.gz    False

有这个表格，我相信合并会更放心，减少出错可能。