之前我在简书上写了一篇"如何只下载TCGA肿瘤或正常标本的count"的教程，原以为没什么人看的。不过这两天简书上有朋友私信我，如何只下载lncRNA的数据。这个功能在GDCRNATools里好像上不支持的，因为这个包都是下载全部的RNA数据（包括其他的TCGA工具基本都是只下载RNA数据），具体要区分mRNA和lncRNA是要有专门注释文件的。

我这里想借鉴两种方法，链接在这里：

1. 利用R代码从UCSC XENA下载mRNA, lncRNA, miRNA表达数据并匹配临床信息

2. TCGA的ID转换可以一步到位了

如何下载注释文件

我们从TCGA下载的RNA基因，包括从生物公司做全基因测序的结果，一般都有将近6万个基因。默认给的基因名就是ensembl 格式（也就是ENSG00开头的基因），当然公司一般都是给你一个注释文件，把你转换成symbol格式的基因（比如TP53）。但话多说一句，做富集分析最好选用entrezid格式（一串数字）

我们不是要关注怎么转换基因的ID，而是要知道如何下载注释文件，以前有很多眼花缭乱的教程告诉我们怎么去下载注释文件，然而随着生物信息的发展，各种R包层出不穷，完全可以一步就给你转换好。但是转换好了基因，你依旧不知道哪个是mRNA，哪个是lncRNA（或许有，比如tinyarray，但是依然有缺点），因为我们需要的是注释，不是转换。

我们需要的基因注释文件，常用的叫做genecode（记得区分物种）。但是这个鬼东西经常更新，我以前用的是v22版，后面又出了v23版，现在官网又有了v38版，但是无论是哪一版，我觉得差不了太多，不过要注意的是不同的版本，注释出来的结果可能也是有细微差异。

获得注释文件有以下几种方法：

官网下载 🌟

最好的办法当然是去官网下载最新的GTF文件，但那个东西文件有几十M，还经常下载中断，而我从来没有下载成功过，所以我并不推荐。

找生物公司 🌟 🌟

如果你刚好需要做一个转录组测序，那么生物公司基本都会给你一个gene.xls的文件，我之前的那个公司大概是5万8千个基因左右，文件包括有gene_id、gene_name、gene_chr、gene_start、gene_end、gene_strand、gene_length、gene_biotype、gene_description等文件，大概这个样子。

这个东西，我上传到了百度网盘

链接: https://pan.baidu.com/s/1VVYMGg6AzLzv-vKpuGkV1A
密码: 3rnq

Xena下载 🌟 🌟 🌟 🌟

UCSC大学有一个Xena的网址，以前服务器是国外的，访问不稳定，后面Hiplot跟他们搞了合作，弄了个免费的Xena中国镜像，所以方便了很多，但是目前只有v22版的，但我觉得够用。

随便找个GDC Hub的的数据集，然后随便选一个RNAseq的基因表达类型就可以找到注释文件下载

网址是https://xena-gdc.hiplot.com.cn/download/gencode.v22.annotation.gene.probeMap

这里是probeMap格式，可以用excel直接打开的，长这样：

但是这个表里，并没有biotype，我这里给一个百度云盘的文件，v22版的tsv格式，也可以直接用excel打开

链接: https://pan.baidu.com/s/1juzwlSLXUVEVxpD0cTyCag>
密码: 1940

这个文件长这个样子：

PS：我发现这几个注释文件的基因数量并不一致，甚至mRNA（protein_coding）都有上千个缺口，但我觉得仍然涵盖了我们常用的基因。

如何区分mRNA和lncRNA

在开始转换前，我们需要知道mRNA和lncRNA，或者说miRNA到底包括哪些基因？

本文不做科普，想要了解他们的基因类型，可以点击下面这个链接：

gene and transcript types

大致的介绍如下：

biotype.png

有了biotype，可以制作转换成mRNA、lncRNA和miRNA的文件了。在第一篇借鉴文章里作者说他最终汇总到了一个Gene_info.xlsx），但他又偏偏不告诉这个文件在哪里，后面连我自己都忘记了，我是怎么凭一己之力下载到了这个文件，现在分享在百度网盘上

链接: https://pan.baidu.com/s/12oPmYKG-TVi4lhcud5_0JQ

密码: n7v0

这里有三个sheet，分别是lncRNA_info（14852）、mRNA_info（18192个）和miRNA_info（1670个），总共算起来有34714个基因。

PS：这里我并没有自己统计，还剩2万5千多个基因是什么，也可能是假基因之类的。

剩下的，完全可以参照第一篇文章进行注释

读入EXCEL文件的gene注释信息，这里用到从biotype上下载好的EXCEL文件

# 注释mRNA，lncRNA和miRNA
mRNA_info <- read.xlsx("./RawData/Gene_info.xlsx",sheet = "mRNA_info")
lncRNA_info <- read.xlsx("./RawData/Gene_info.xlsx",sheet = "lncRNA_info")
miRNA_info <- read.xlsx("./RawData/Gene_info.xlsx",sheet = "miRNA_info")

根据基因的注释信息，提取对应的表达矩阵

### 统计mRNA
mRNA_gset <- TCGA_gset[rownames(TCGA_gset) %in% mRNA_info$gene_name,]
dim(mRNA_gset) 
write.csv(mRNA_gset,"./TCGA_output/TCGA_HNSC_mRNA.csv",quote = F,row.names = T)
### 统计lncRNA
lncRNA_gset <- TCGA_gset[rownames(TCGA_gset) %in% lncRNA_info$gene_name,]
dim(lncRNA_gset) 
write.csv(lncRNA_gset,"./TCGA_output/TCGA_HNSC_lncRNA.csv",quote = F,row.names = T)
### 统计miRNA
miRNA_gset <- TCGA_gset[rownames(TCGA_gset) %in% miRNA_info$gene_name,]
dim(miRNA_gset)
write.csv(miRNA_gset,"./TCGA_output/TCGA_HNSC_miRNA.csv",quote = F,row.names = T)

这样就很快的制成了三个表格，分别进行了提取。

如何只使用一个R包实现注释和转换

在第二篇文章里，小洁忘了分身写了一个R包，叫做tinyarray，可以很好的处理这个问题，然而这个包却托管在Github上，如果你可以正常访问Github当然没有问题，仓库是xjsun1221/tinyarray。

然而我觉得你应该很难安装的，所以我Fork到了我的gitee上面，因此，可以很快的安装

devtools::install_git('https://gitee.com/swcyo/tinyarray')

中途提示你缺哪个包，你就安装哪个包，目前这个包非常强大，集成了很多很多的功能，可以处理GEO和TCGA的很多数据，还可以很快捷的画火山图、热图、PCA图、生存分析、富集分析等等，ID转换只是其中一个小部分，以后可以写个专门的教程推广一下。

这里我们需要的gene id是TCGA或者GTEx上的格式，也就是ensembl 格式，格式后面可以带点（版本号），也可以不带点，总之就是一个trans_exp()函数。

使用这个包的示例文档来说明一下，先随机生成100个基因，其中5个TCGA患者，5个GTEx患者

suppressMessages(library(tinyarray)) 
exp = matrix(rnorm(1000),ncol = 10)
rownames(exp) = sample(mRNA_annov23$gene_id,100)
colnames(exp) = c(paste0("TCGA",1:5),paste0("GTEX",1:5))

我们简单看一下前几个数据

这个转换函数是这样的，目前可以转mRNA和lncRNA，可以只转一种，也可以都转.

trans_exp(exp, mrna_only = FALSE, lncrna_only = FALSE, gtex = FALSE)

如果全部转换，那么代码如下：

library(tinyarray)
k=mrna<-trans_exp(exp) #一句话即可

如果只转mRNA，那么代码如下：

library(tinyarray)
mrna<-trans_exp(exp,mrna_only = T,gtex = T) #有GTEx数据的话，可以加一句gtex = T

如果只转lncRNA，那么代码如下：

lncrna<-trans_exp(exp,lncrna_only = T)

由于这个随机的基因里没有lncRNA，所以啥也没有。。。

用这个包，一步到位，很是方便

• 优点：

  • ensembl 快速转成symbol

  • 可以选择只转mRNA还是lncRNA

• 缺点：

  • 没有miRNA

  • 基本不更新