最近TCGA更新了，下载研究一下，我们从TCGA下载STAD的数据，选择其中的一个打开，发现了一个好消息那就是矩阵的整合难度降低了，而且提供TPM以及FPKM 还有校正的count 以及gene_name
其实整理起来比较简单，这里我没有使用python去写脚本，使用R硬刚，说实话头有点铁。
首先整理好你要的数据，下载步骤跟以前一样，当然不懂就去B站看新版TCGA介绍
image.png
首先下载metadata
image.png
接着从download 中下载cart
image.png
下载结束 之后解压随便打开一个文件，我们的目的是整合tsv文件到一个文件夹
image.png
技巧教授如何整合呢，windows下最简单的方式，右上角搜索.tsv结尾的文件
image.png
最后你就可以得到这个列表，然后复制到一个文件夹里面，最后有个MANIFEST.txt不要复制进去
image.png
最后整理成下面的样式，all文件夹是所有的tsv文件，metadta上面介绍已经下载好了放进去
image.png
整理metadata文件
rm(list = ls())
options(stringsAsFactors = F)
library("rjson")
result <- fromJSON(file = "./metadata.cart.2022-04-12.json")
metadata <- data.frame(t(sapply(result,function(x){
id <- x$associated_entities[[1]]$entity_submitter_id
file_name <- x$file_name
all <- cbind(id,file_name)
})))
metadata[,2]
rownames(metadata) <- metadata[,2]
得到样本文件对应的TCGA的ID号
image.png
生成矩阵
dir <- './all/'
samples=list.files(dir)
sampledir <- paste0(dir,samples)
mat <- do.call(cbind,lapply(sampledir, function(x){
rt <- data.table::fread(x,data.table = F)
rownames(rt) <- rt[,1]
rt <- rt[,7]###后续方便不用再转换直接拿TPM
}))
image.png
这里需要读取一个单个tsv文件进行查看
可以看到我们上面代码中选择rt[ ,7] 是选择的tpm ，需要的话可以你可以选择count和FPKM
image.png
矩阵列名和行名的替换
###随便打开一个tsv文件即可
rt <- data.table::fread('./all/5c84144f-68b0-4f96-8b53-5a43a6f83847.rna_seq.augmented_star_gene_counts.tsv',data.table = F)###随便打开一个tsv文件即可
colnames(mat)=sapply(strsplit(sampledir,'/'),'[',3)###列名
rownames(mat) <- rt$gene_id ##行名
mat1 <- t(mat)
same <- intersect(row.names(metadata),row.names(mat1))
data <- cbind(metadata[same,],mat1[same,])
rownames(data) <- data[,1]
tcga_stad <- t(data)
tcga_stad <-tcga_stad[-c(1:6),]
rownames(rt) <- rt[,1]
最后那必须是如何ID的转换 ，根据自带的信息我们进行转换，这次的更新就是ID给了对照基因名，真好，还有类型，妈的TCGA良心一次更新
same2 <- intersect(row.names(rt),row.names(tcga_stad))
tcga <- cbind(rt[same2,],tcga_stad[same2,])
tcga <- tcga[-c(1,4:9)]
到此你们自己保存文件把，然后正常的基因去重问题，这个应该搜索一下
image.png
##要把上面的gene_type删除
rt = tcga[,-2]
rt=as.matrix(rt)
rownames(rt)=rt[,1]
exp=rt[,2:ncol(rt)]
dimnames=list(rownames(exp),colnames(exp))
data=matrix(as.numeric(as.matrix(exp)),nrow=nrow(exp),dimnames=dimnames)
data=avereps(data)
data=data[rowMeans(data)>0,]
