r语言tcga数据整理 r语言tcga数据下载

一：什么是TCGA数据？TCGA数据有什么作用？

癌症基因组图谱（The Cancer Genome Atlas），简称为TCGA。TCGA数据库是目前最综合全面的癌症病人相关组学数据库。它旨在应用高通量的基因组分析技术，帮助人们对癌症有个更好的认知，从而提高对于癌症的预防、诊断和治疗能力。

二：什么是cgdsr包？如何下载和使用？

R语言工具包，可以下载TCGA数据。下载语句：install.packages("cgdsr")。使用时加载包的语句：library("cgdsr")。

注：R语言中下载包的通用语句为install.packages(需要下载的包)。需要用到包的通用语句为library(需要加载的包)。

三：cgdsr包的初步使用

#load cgdsr packages
library(cgdsr)
#创建一个cgdsr对象(Create a cgdsr object)
mycgds <- CGDS("http://www.cbioportal.org/")
#获取cgdsr对象中存在的数据集，即所有可以研究的癌症类型名的集合(Gets the dataset that exists in the cgdsr object)
all_TCGA_studies <- getCancerStudies(mycgds)
#View the datasets
print(all_TCGA_studies)

部分运行结果如下图所示：

从结果图中观察到数据集应该有多列，但是由于数据集过多，而列的空间又有限，结果不方便观察。为了便于观察，我们可以使用R语言中的DT包进行数据的展示。

四：什么是DT包？DT包有什么作用？

data.table包，简称DT包，是R语言中的数据可视化工具包。DT包可以将Javascript中的方法运用到R中，也能将矩阵或者数据表在网页中可视化为表格，以及其它的一些功能。下载和使用的方法与cgdsr包相同。

五：DT的初步使用

#load DT package
library(DT)
#以数据表的形式显示数据集(Present the data set in the form of a data table)
DT::datatable(all_TCGA_studies)

部分结果如下图所示。

相比直接输入结果，我们可以观察到以表格形式展示出来更便于观察数据及相关信息。从表格中我们可以得出每个数据都包含cancer_study_id，name和description三列信息，分别表示研究癌症的类型，即数据集的名字简称，名字全称和发表的文章题目。

由上图所示，我们可以清晰观察到总共有287种数据集，在实际操作中，可能并不需要研究所有的数据集，所以只需要对特定的数据集进行操作。

六：查看任意数据集的相关信息

（1）查看任意数据集的样本列表方式

#Arbitrarily select a dataset, such as stad_ tcga_ Pub
#研究stad_tcga_pub需要研究的癌症类型名
stad2014 <- "stad_tcga_pub"
#获取特定癌症研究的可用病例列表(Get available case lists for a specific cancer study)
all_tables <- getCaseLists(mycgds, stad2014)
#view how many sample list methods are available in it,the result is two parameters: row and column
dim(all_tables)
DT::datatable(all_tables)

结果如下所示：

即数据集stad_tcga_pub共有11行数据，每行数据有5条相关信息。

如何只需要展示出数据的部分信息，例如只需要所有数据的前三列，可以用以下语句获取相关数据：

DT::datatable(all_tables[,1:3])

运行结果如下：

（2）查看任意数据集的数据形式

#获取特定癌症研究的可用基因数据(Get available genetic data profiles for a specific cancer study)
all_dataset <- getGeneticProfiles(mycgds, stad2014)
#以表格形式展示数据
DT::datatable(all_dataset,
              extensions = 'FixedColumns',
              options = list(                    
                dom = 't',
                scrollX = TRUE,
                fixedColumns = TRUE
              ))

结果如下所示：

（3）选定数据形式及样本列表后获取感兴趣基因的信息

my_dataset <- 'stad_tcga_pub_rna_seq_v2_mrna'
my_table <- "stad_tcga_pub_rna_seq_v2_mrna" 
#检索基因和遗传图谱的基因组图谱数据(Retrieves genomic profile data for genes and genetic profiles)
#getProfileData函数的必要参数为cgdsr object---CGDS对象,genes---基因名称,geneticProfiles---需要研究的病例名称中的可用基因数据,caseList---需要研究的病例名称)
BRCA1 <- getProfileData(mycgds, "BRCA1", my_dataset, my_table)
#获取样本列表
dim(BRCA1)
#以表格形式展示数据
DT::datatable(BRCA1)

（4）选定样本列表获取临床信息

#获取特定癌症研究的临床数据(Get clinical data for cancer study)
clinicaldata <- getClinicalData(mycgds, my_table)
#数据展示
DT::datatable(clinicaldata,
              extensions = 'FixedColumns',
              options = list(
                scrollX = TRUE,
                fixedColumns = TRUE
              ))

（5）综合性获取（只需要根据癌症列表选择自己感兴趣的研究数据集即可，然后选择好感兴趣的数据形式及对应的样本量。就可以获取对应的信息）

library(cgdsr)
library(DT)
#create a CGDS object
mycgds <- CGDS("http://www.cbioportal.org/")
#指定一个数据集(Specify a dataset)
mycancerstudy = 'brca_tcga' 
#获取特定癌症研究的可用病例列表(Get available case lists for a specific cancer study)
getCaseLists(mycgds,mycancerstudy)[,1]
#获取特定癌症研究的可用基因数据(Get available genetic data profiles for a specific cancer study)
getGeneticProfiles(mycgds,mycancerstudy)[,1]
#设置需要研究的病例名
mycaselist ='brca_tcga_rna_seq_v2_mrna'  
#设置需要研究的可用基因数据
mygeneticprofile = 'brca_tcga_rna_seq_v2_mrna'  

# Get data slices for a specified list of genes, genetic profile and case list
#检索基因和遗传图谱的基因组图谱数据(Retrieves genomic profile data for genes and genetic profiles)
expr=getProfileData(mycgds,c('BRCA1','BRCA2'),mygeneticprofile,mycaselist)
#展示数据
DT::datatable(expr)

如下图所示，即为指定基因在指定癌症的表达量。

获取临床数据。

#获取病例列表的临床数据(Get clinical data for the case list)
myclinicaldata = getClinicalData(mycgds,mycaselist)
DT::datatable(myclinicaldata,
              extensions = 'FixedColumns',
              options = list(                    #dom = 't',
                scrollX = TRUE,
                fixedColumns = TRUE
              ))

（6）从cBioPortal下载点突变信息

library(cgdsr)
library(DT) 
mycgds <- CGDS("http://www.cbioportal.org/")
#突变基因名称集合
mutGene=c("EGFR", "PTEN", "TP53", "ATRX")
#检索基因和遗传图谱的基因组图谱数据(Retrieves genomic profile data for genes and genetic profiles.)
mut_df <- getProfileData(mycgds, 
                         caseList ="gbm_tcga_sequenced", 
                         geneticProfile = "gbm_tcga_mutations",
                         genes = mutGene
)
#Apply Functions Over Array Margins
mut_df <- apply(mut_df,2,as.factor)
#数据处理(空值和NAN设置为空，如果不为空设置为MUT)
mut_df[mut_df == "NaN"] = ""
mut_df[is.na(mut_df)] = ""
mut_df[mut_df != ''] = "MUT" 
#展示数据
DT::datatable(mut_df)

结果如下所示：

（7）从cBioPortal下载拷贝数变异数据

library(cgdsr)
library(DT) 
mycgds <- CGDS("http://www.cbioportal.org/")
mutGene=c("EGFR","PTEN","TP53","ATRX")
cna <- getProfileData(mycgds,
                      caseList = "gbm_tcga_sequenced",
                      geneticProfiles = "gbm_tcga_gistic",
                      genes = mutGene)
cna <- apply(cna,2,function(x)as.character(factor(x,levels=c(-2:2),
                                                  labels = c("HOMDEL","HETLOSS","DIPLOID","GAIN","AMP"))))
cna[is.na(cna)] = ""
cna[cna=='DIPLOID']=""
DT::datatable(cna)

结果如下所示：

（8）把拷贝数及点突变信息结合画热图

library(grid)
library(ComplexHeatmap)
library(cgdsr)
conb <- data.frame(matrix(paste(as.matrix(cna),as.matrix(mut_df),sep = ";"),
                          nrow=nrow(cna),ncol=ncol(cna),
                          dimnames=list(row.names(mut_df),colnames(cna))))
mat <- as.matrix(t(conb))
DT::datatable((mat))

alt <- apply(mat,1,function(x)strsplit(x,";"))
alt <- unique(unlist(alt))
alt <- alt[which(alt !="")]
alt <-c("background",alt)
alter_fun = list(
  background = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="#CCCCCC",col=NA))
  },
  HOMDEL = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="blue3",col=NA))
  },
  HETLOSS = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="cadetblue1",col=NA))
  },
  GAIN = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="pink",col=NA))
  },
  AMP = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="red",col=NA))
  },
  MUT = function(x,y,w,h){
    grid.rect(x,y,w-unit(0.5,"mm"),h-unit(0.5,"mm"),
              gp=gpar(fill="#008000",col=NA))
  }
)
col <- c("MUT"="#008000","AMP"="red","HOMDEL"="blue3",
         "HETLOSS"="cadetblue1","GAIN"="pink")

alt = intersect(names(alter_fun),alt)
alt_fun_list <- alter_fun[alt]

col <- col[alt]
oncoPrint(mat=mat,alter_fun = alt_fun_list,
          get_type = function(x) strsplit(x,";")[[1]],
          col = col)

效果图如下所示：