2022-TCGA数据库重大更新后RNASeq的STAR-Counts数据的下载与整理

TCGA | GEO | 文献阅读 | 数据库 | 理论知识

R语言 | Bioconductor | 服务器与Linux

最近有粉丝留言，TCGA数据库发生更新，下载的数据和之前的不一样。比如转录组，之前是HTSeq流程的数据，现在是STAR-Counts的数据。具体的数据信息参考：
https://docs.gdc.cancer.gov/Data/Release_Notes/Data_Release_Notes/#data-release-320

下载后的数据，打开是这样的。都放在了一个文件中。

这里分享一下怎么提取数据。

数据的下载和之前的教程一样【14-TCGA数据库下载整理】。只不过这里选择的是STAR-Counts了。加入购物车后下载下面的文件。

我先写2个函数，一个是处理读入json文件的函数，该文件包括文件信息和样本barcode的关系。

processingJsonFiles <- function(jsonFile){
  library(rjson)
  metadata_json_File <- fromJSON(file=jsonFile)
  json_File_Info <- data.frame(filesName = c(),TCGA_Barcode = c())
  for(i in 1:length(metadata_json_File)){
    TCGA_Barcode <- metadata_json_File[[i]][["associated_entities"]][[1]][["entity_submitter_id"]]
    file_name <- metadata_json_File[[i]][["file_name"]]
    json_File_Info <- rbind(json_File_Info,data.frame(filesName = file_name,TCGA_Barcode = TCGA_Barcode))
  }
  
  rownames(json_File_Info) <- json_File_Info[,1]
  json_File_Info <-json_File_Info[-1]
  return(json_File_Info)
}

jsonFile是下载的json文件的完整路径。

下面的函数是提取数据的函数。

getTCGA_RNAseq_data = function(filepath,jsonFileInfo,data_type){
  datamatrix = data.frame()
  for(wd in filepath){
    #每一个循环读取一个文件
    tempPath <- unlist(strsplit(wd,"/"))
    filename <- tempPath[length(unlist(strsplit(wd,"/")))]
    message(paste0("微信公众号:MedBioInfoCloud提示:正在读入文件:\n",filename))
    oneSampExp <- read.table(wd,comment.char = "#",header = T,sep = "\t")
    oneSampExp = oneSampExp[-c(1:4),]
    
    # 根据jsonFileInfo文件中文件名称与barcode对应关系，命名列名
    
    if(wd == filepath[1]){
      oneSampExp = oneSampExp[,c("gene_id","gene_name","gene_type",data_type)]
      colnames(oneSampExp) <- c("gene_id","gene_name","gene_type",jsonFileInfo[filename,"TCGA_Barcode"])
      datamatrix = oneSampExp
    }else{
      oneSampExp = oneSampExp[,c("gene_id",data_type)]
      colnames(oneSampExp) <- c("gene_id",jsonFileInfo[filename,"TCGA_Barcode"])
      datamatrix = merge(datamatrix,oneSampExp,by = "gene_id")
    }
  }
  return(datamatrix)
}

filepath 是下载的数据路径。通过dir等类似的函数获取的路径向量。比如，我们下载的数据是一个压缩包，解压后，将文件名重新命名为data。

filepath = dir(path = "./data",
               pattern = "counts.tsv$",
               full.names = T,
               recursive = T)

jsonFileInfo是processingJsonFiles函数获取的结果。

data_type是下面中的一种。

• "unstranded";

• "stranded_first";

• "stranded_second";

• "tpm_unstranded";

• "fpkm_unstranded";

• "fpkm_uq_unstranded"

对应文件中的信息

下面就可以获取数据了，想要什么就获取什么。一般就是TPM和FPKM。

jsonFileInfo <- processingJsonFiles(jsonFile = "metadata.cart.2022-04-05.json ")
filepath = dir(path = "./data",
               pattern = "counts.tsv$",
               full.names = T,
               recursive = T)
dat = getTCGA_RNAseq_data(filepath =filepath,
                          jsonFileInfo = jsonFileInfo,
                          data_type = "fpkm_unstranded")
head(dat)[,1:5]

原来TCGA数据库的下载，使用TCGAbiolinks包是否还可以处理数据，我还没有试，但下载数据应该是没有问题的。

对于之前版本的数据。我之前文章【数据库数据 | TCGA数据库33种癌症的 transcriptome profiling (RNA-Seq) 数据】有已经处理好的数据，大家可以下载。

最后，有用的给个赞赏！

经    典    栏    目