Skip to content

ayueme/easyTCGA

BranchesTags

Repository files navigation

easyTCGA：让初学者也能感受"征服"TCGA的喜悦

我会定期测试这个包能不能用，最近测试是20250919，能用，没有任何问题。有问题的请更新tcgabiolinks包和所有的tidy系列R包。

为什么要写这个R包

生信数据挖掘必不可少要学习TCGA数据库，但是对于新手，经常卡在第一步：下载和整理数据。第一步完成了，又会卡在第二步，第三步：差异分析，生存分析......

有人会说XENA有整理好的数据，但这些数据下载后并不能直接用，还是要整理，初学者依然会卡在第一步！

对于R语言大神来说都不是问题，非常简单的R语言操作而已。但是对于初学者很难理解。

这几步操作又是必不可少的，我自己也经常需要重新下载整理数据。为了简化这几个流程，同时也是让初学者也能感受到"征服"TCGA的喜悦，我把自己常用的一些代码打包，写了这个R包。

使用注意

需要自己解决网络问题，比如访问github，TCGA官网, google等，如果你无法解决网络问题，那么生信数据挖掘可能不适合你......基本上你常见的生信数据库资源都是国外的，由于众所周知的原因，国外的数据很难下载，网络问题我帮不了你。

安装

首先安装依赖包：

# 安装bioconductor上面的R包 # 首先要改镜像，下面是清华的镜像，有时会有问题，可更改其他镜像试试（自己百度下喽~） options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor") if(!require("BiocManager")) install.packages("BiocManager") if(!require("TCGAbiolinks")) BiocManager::install("TCGAbiolinks") if(!require("SummarizedExperiment")) BiocManager::install("SummarizedExperiment") if(!require("DESeq2")) BiocManager::install("DESeq2") if(!require("edgeR")) BiocManager::install("edgeR") if(!require("limma")) BiocManager::install("limma") # 安装cran上面的R包 if(!require("survival")) install.packages("survival") if(!require("broom")) install.packages("broom") if(!require("devtools")) install.packages("devtools") if(!require("reshape2")) install.packages("reshape2") if(!require("data.table")) install.packages("data.table") if(!require("ggplot2")) install.packages("ggplot2") if(!require("ggpubr")) install.packages("ggpubr")

再安装easyTCGA包：

devtools::install_github("ayueme/easyTCGA")

主要功能

解决TCGA（GTEx）数据下载和整理问题，顺便实现一些常见的分析和可视化

  • getmrnaexpr

    • 只需要提供正确的TCGA project名字即可，比如：getmrnaexpr("TCGA-COAD")
    • 如果你想同时下载并整理类似的癌种，整合成一个大的矩阵，比如结肠癌和直肠癌，那么直接使用getmrnaexpr(c("TCGA-COAD","TCGA-READ))即可；
    • 自动下载并整理mRNA和lncRNA的counts，tpm，fpkm共6种表达矩阵（直接从官网的原始数据提取，未进行任何修改，所以是没有经过log转换的），以及对应的临床信息，临床信息样本顺序和表达矩阵样本顺序完全一致，无需再次整理；
    • 自动保存以上6种表达矩阵和临床信息到当前工作目录下的output_mRNA_lncRNA_expr文件夹下，并且同时保存rdata和csv两种文件格式（如下所示）；TCGA的临床信息非常复杂，所以我专门写了一篇文章介绍，详情请看：TCGA临床数据（化疗数据、用药反应等）和生存信息（4种临床结局）整理
      • TCGA-XXX_SummarizedExperiment.rdata: SummarizedExperiment object, all the other files are extracted from this object.
      • TCGA-XXX_clinicalSE.rdata: indexed clinical information extracted from the SummarizedExperiment object.
      • TCGA-XXX_gene_info.rdata: gene information, including HGNC Gene Symbol, Ensembl ID, gene type, eta.
      • TCGA-XXX_mrna_expr_count.rdata: mRNA count expression matrix
      • TCGA-XXX_mrna_expr_tpm.rdata: mRNA tpm expression matrix
      • TCGA-XXX_mrna_expr_fpkm.rdata: mRNA fpkm expression matrix
      • TCGA-XXX_lncrna_expr_count.rdata: lncRNA count expression matrix
      • TCGA-XXX_lncrna_expr_tpm.rdata: lncRNA tpm expression matrix
      • TCGA-XXX_lncrna_expr_fpkm.rdata: lncRNA fpkm expression matrix
    • 下载的数据为最新数据，和GDC TCGA官网保持一致；
    • 支持通过手动下载的TCGA数据进行自动整理并完成以上过程（可参考b站教程：easyTCGA：1行代码整理TCGA的6种表达矩阵和临床信息）
    • lncRNA鉴别参考：Biotypes (ensembl.org)

  • getmrnaexpr_xena

    • 用于XENA网站下载的TCGA基因表达数据和临床信息的整理（仅限gdchub）；
    • 直接提供文件名即可，比如：TCGA-ACC.htseq_counts.tsv.gz, TCGA-ACC.htseq_fpkm.tsv.gz，TCGA-ACC.GDC_phenotype.tsv.gz, TCGA-ACC.survival.tsv；
    • 自动保存mRNA、lncRNA表达矩阵和临床信息到当前工作目录下的output_mRNA_expr_xena文件夹下；
    • id转换使用gtf 22，和XENA保持一致；
    • （单独使用XENA的表达谱数据和直接用GDC官网数据相比没有任何优势）

  • getmirnaexpr

    • 只需要提供正确的TCGA project名字即可；
    • 自动下载并整理miRNA的counts，rpm2种表达矩阵；
    • 自动保存以上2种表达矩阵和对应的临床信息到当前工作目录下的output_miRNA_expr文件夹下，并且同时保存rdata和csv两种文件格式；
    • 下载的数据为最新数据，和GDC TCGA官网保持一致

  • getsnvmaf

    • 只需要提供正确的TCGA project名字即可；
    • 自动下载并整理TCGA MAF文件(masked somatic mutation)以及对应的临床信息，并自动保存到当前工作目录下的output_snv文件夹下；
    • 输出结果可以直接通过maftools::read_maf()函数读取，无需再次整理

  • getcnv

    • 只需要提供正确的TCGA project名字即可；
    • 自动下载并整理copy number variation数据；数据保存到当前工作目录下的output_cnv文件夹下；
    • 下载的数据为最新数据，和GDC TCGA官网保持一致

  • getmethybeta

    • 只需要提供正确的TCGA project名字即可；
    • 自动下载并整理450K的DNA methylation的beta值矩阵，以及对应的临床信息，数量和顺序完全一致，无需再次整理；
    • 自动整理探针信息，比如探针对应的gene symbol等，基于GRCh 38；
    • 数据保存在当前工作目录下的output_methy文件夹下；
    • 下载的数据为最新数据，和GDC TCGA官网保持一致

  • getclinical

  • getpancancer_xena

    • 实现对泛癌数据的整理，支持TCGA、GTEx，以及整合TCGA+GTEx
    • 原始文件是从XENA下载的；
    • 只需提供相应的表达矩阵文件和样本信息文件即可
    • 很费内存（约60G），可在公众号后台直接回复pancancer获取我整理好的

  • diff_analysis

    • 与getmrnaexpr，getmirnaexpr，getmrnaexpr_xena函数无缝对接，直接使用其输出结果即可，无需任何整理（默认对tumor和normal组进行差异分析）；
    • 支持count, tpm, fpkm和GEO数据，如果是count则自动通过3个R包进行差异分析：DESeq2, edgeR, limma；如果是其他类型（tpm, fpkm和基因表达芯片数据）会自动判断是否需要log2(x + 0.1)转换，然后使用limma和wilcoxon test做差异分析；
    • 用wilcoxon秩和检验做差异分析的参考资料：TCGA等大样本量差异分析该使用DEseq2还是edgeR呢？,以及文中涉及的参考文献：https://doi.org/10.1186/s13059-022-02648-4
    • 支持输入自己的表达矩阵和自定义分组，分组信息需要因子型向量；
    • 输出结果默认为1个list，内含多种差异分析结果，支持保存rdata格式数据到本地

  • batch_survival

    • 自动进行logrank检验和单因素cox分析，默认基于最佳截点（P值最小）；
    • 与getmrnaexpr，getmirnaexpr函数无缝对接，直接使用其输出结果即可，无需任何整理；
    • 支持count，tpm，fpkm3种格式的数据，如果是counts，则通过DESeq2::vst()进行转换，如果是tpm/fpkm，则进行log2(x + 0.1)转换；
    • 支持打印基因序号到屏幕，方便定位有问题的基因

  • 可视化函数

    • 主要用来进行一些简单的探索；每个函数都会返回画图数据，方便你自己探索；
    • plot_gene：任意数量基因在任意癌种（TCGA33种其中之一都可以）的任意分组中的表达量箱线图；
    • plot_gene_paired：任意基因在某一癌种配对样本中的表达量配对箱线图；
    • plot_km：根据任意基因的表达量分组，并画出K-M生存曲线（支持最佳截点）

使用教程

文字版使用教程请关注公众号：医学和生信笔记。

视频版教程请关注哔哩哔哩：阿越就是我，（视频教程滞后于包的更新速度）

问题反馈

B站，公众号，Github，粉丝QQ群，都可以。

TO DO

  • 支持XENA网站下载的gene expression和临床数据的整理
  • 支持XENA泛癌数据的整理，对电脑内存要求较高，正在优化代码中......
  • 增加对miRNA的差异分析支持
  • 增加对miRNA的批量生存分析支持
  • 增加对自定义表达矩阵/自定义分组差异分析的支持
  • 增加对多分组差异分析的支持
  • 增加对lncRNA的差异分析和批量生存分析支持
  • 实现一些常见的分析和可视化
  • 支持自定义生存信息
  • ......

About

Make TCGA download and prepare easy!

Topics

bioinformatics r tcga

Resources

Readme

License

Unknown, MIT licenses found

Licenses found

Unknown
LICENSE
MIT
LICENSE.md
Activity

Stars

148 stars

Watchers

3 watching

Forks

20 forks
Report repository

Contributors 2

Languages