数据挖掘专题 | TCGA数据下载及整理概述

在对 TCGA数据挖掘如何入门？有一定的了解之后，在进行数据分析之前，第一步当然是TCGA数据的下载和整理，在前面几期数据挖掘专题中，我们着重并详细的描述了4种不同的TCGA数据下载方法：

1、官网：

        TCGA表达数据下载（一）

        TCGA表达数据下载（二）

        一文读懂TCGA数据整理  【官网下载需要编程整理】

        TCGA数据下载有陷阱？【官网下载推荐GDC Legacy Archive】

2、TCGAbiolinks：

        TCGA数据下载神器-TCGABiolinks

3、Firehose：

       GDAC Firehose下载 TCGA 数据

4、Xena：

        UCSC Xena下载 TCGA 数据

在介绍上示4种数据方法时，我们是以miRNA表达数据为例展开的，而实际对于其他例如mRNA、甲基化、SNP、临床信息等数据，都可以参照此过程进行，只不过在使用中需要对实际选项和参数进行调整。

对于这四种方法，官网和TCGAbiolinks可归为一类，因为都是可以下载TCGA数据库本身的数据，但是由于每个样本是一个独立的文件，故需要做整理，而Firehose则是对TCGA数据的初步整理，Xena则做了更进一步的数据处理工作，以下表为例，4种方法可得到的A1BG基因在COAD患者中的mRNA数据：

TCGA官网/TCGAbiolinks下载的mRNA表达数据包含read_count值和RSEM值；

Firehose下载的mRNA表达数据包含read_count值和RSEM值，与TCGA官网数据一致，值相同；

Xena下载的mRNA表达数据只有log2（RSEM+1），无read_count值。

结合 TCGA临床数据下载，简单总结如下：

细节来说：

1、官网下载方式数据全面，且实时更新，但是点击操作及数据整理起来很麻烦；

2、TCGAbiolinks，基于官方API可下载最新数据，需要R基础，表达数据易得，但临床信息需进一步整理；

3、Firehose更新相对最慢，表达数据已经整理好，但是临床信息易用性不强；

4、Xena整理的最人性化，但是无read_count值，生存信息非最新，无用药数据；

建议：

1、Xena相对来说最易用；

2、如果你想用最新最全的数据，可以用TCGAbiolinks下载表达数据，如果有编程基础，临床数据还是自己整理吧！

当然，可以下载TCGA的方法远不止上示4种，你可能会说cbioportal，但这个工具在小编看来，更适用于分析而不是数据下载，而其他多如牛毛的R包，例如TCGA2STAT、RTCGA、RTCGAToolbox...，也只不过是基于Firehose数据的引申版！

当然无论用哪种方法，都没有绝对的最优，看你用哪个最顺手咯~

下面是解答之前疑问时间：

1、更正一个 TCGABiolinks 中的脚本

library(stringr)    # 更正前是 library(strings) 

2、同时，在近期测试TCGAbiolinks下载mRNA数据的时候也发现了一些小陷阱，小编把代码粘上，以下载COAD患者的原始count数据为例，供大家参考：

query = GDCquery(project = 'TCGA-COAD', legacy = TRUE, experimental.strategy = 'RNA-Seq', data.category = 'Gene expression', data.type = 'Gene expression quantification', platform = 'Illumina HiSeq', file.type = 'results')  

GDCdownload(query)

dataAssy = GDCprepare(query, summarizedExperiment = F)

dataAssy = dataAssy[grepl('^[A-Z|a-z]', rownames(dataAssy)),]

rownames(dataAssy) = gsub('SLC35E2\\|728661', 'SLC35E2B', rownames(dataAssy))

rownames(dataAssy) = gsub('\\|.*', '', rownames(dataAssy), perl = T)

countdata = dataAssy[,grepl('raw_count', colnames(dataAssy))]

colnames(countdata) = str_match(colnames(countdata), '(TCGA-[^-]*-[^-]*-[^-]*)')[,2]

countdataout = cbind(rownames(countdata), countdata)

colnames(countdataout)[1] = 'Symbol'

write.table(countdataout, paste(cancerpath, 'mRNA_readcount_data.txt', sep = '/'), row.names = F, sep = '\t', quote = F)

3、关于Xena下载临床信息，从这里下：

4、如果你还有什么疑问的话...