easyTCGA：让初学者也能感受"征服"TCGA的喜悦

为什么要写这个R包

生信数据挖掘必不可少要学习TCGA数据库，但是对于新手，经常卡在第一步：下载和整理数据。第一步完成了，又会卡在第二步，第三步：差异分析，生存分析......

有人会说XENA有整理好的数据，但这些数据下载后并不能直接用，还是要整理，初学者依然会卡在第一步！

对于R语言大神来说都不是问题，非常简单的R语言操作而已。但是对于初学者很难理解。

这几步操作又是必不可少的，我自己也经常需要重新下载整理数据。为了简化这几个流程，同时也是让初学者也能感受到"征服"TCGA的喜悦，我把自己常用的一些代码打包，写了这个R包。

使用注意

需要自己解决网络问题，比如访问github，TCGA官网, google等，如果你无法解决网络问题，那么生信数据挖掘可能不适合你......基本上你常见的生信数据库资源都是国外的，由于众所周知的原因，国外的数据很难下载，网络问题我帮不了你。

安装

首先安装依赖包：

# 安装bioconductor上面的R包
# 首先要改镜像，下面是清华的镜像，有时会有问题，可更改其他镜像试试（自己百度下喽~）
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
if(!require("BiocManager")) install.packages("BiocManager")
if(!require("TCGAbiolinks")) BiocManager::install("TCGAbiolinks")
if(!require("SummarizedExperiment")) BiocManager::install("SummarizedExperiment")
if(!require("DESeq2")) BiocManager::install("DESeq2")
if(!require("edgeR")) BiocManager::install("edgeR")
if(!require("limma")) BiocManager::install("limma")

# 安装cran上面的R包
if(!require("survival")) install.packages("survival")
if(!require("broom")) install.packages("broom")
if(!require("devtools")) install.packages("devtools")
if(!require("reshape2")) install.packages("reshape2")
if(!require("data.table")) install.packages("data.table")
if(!require("ggplot2")) install.packages("ggplot2")
if(!require("ggpubr")) install.packages("ggpubr")

再安装easyTCGA包：

devtools::install_github("ayueme/easyTCGA")

主要功能

解决TCGA（GTEx）数据下载和整理问题，顺便实现一些常见的分析和可视化

• getmrnaexpr

  • 只需要提供正确的TCGA project名字即可；
  • 自动下载并整理mRNA和lncRNA的counts，tpm，fpkm共6种表达矩阵（直接从官网的原始数据提取，未进行任何修改，所以是没有经过log转换的），以及对应的临床信息，临床信息样本顺序和表达矩阵样本顺序完全一致，无需再次整理；
  • 自动保存以上6种表达矩阵和临床信息到当前工作目录下的output_mRNA_lncRNA_expr文件夹下，并且同时保存rdata和csv两种文件格式；
  • 下载的数据为最新数据，和GDC TCGA官网保持一致；
  • 支持通过手动下载的TCGA数据进行自动整理并完成以上过程（可参考b站教程：easyTCGA：1行代码整理TCGA的6种表达矩阵和临床信息）
  • lncRNA鉴别参考：Biotypes (ensembl.org)

• getmrnaexpr_xena

  • 用于XENA网站下载的TCGA基因表达数据和临床信息的整理（仅限gdchub）；
  • 直接提供文件名即可，比如：TCGA-ACC.htseq_counts.tsv.gz, TCGA-ACC.htseq_fpkm.tsv.gz，TCGA-ACC.GDC_phenotype.tsv.gz, TCGA-ACC.survival.tsv；
  • 自动保存mRNA、lncRNA表达矩阵和临床信息到当前工作目录下的output_mRNA_expr_xena文件夹下；
  • id转换使用gtf 22，和XENA保持一致；
  • （单独使用XENA的表达谱数据和直接用GDC官网数据相比没有任何优势）

• getmirnaexpr

  • 只需要提供正确的TCGA project名字即可；
  • 自动下载并整理miRNA的counts，rpm2种表达矩阵；
  • 自动保存以上2种表达矩阵和对应的临床信息到当前工作目录下的output_miRNA_expr文件夹下，并且同时保存rdata和csv两种文件格式；
  • 下载的数据为最新数据，和GDC TCGA官网保持一致

• getsnvmaf

  • 只需要提供正确的TCGA project名字即可；
  • 自动下载并整理TCGA MAF文件(masked somatic mutation)以及对应的临床信息，并自动保存到当前工作目录下的output_snv文件夹下；
  • 输出结果可以直接通过maftools::read_maf()函数读取，无需再次整理

• getcnv

  • 只需要提供正确的TCGA project名字即可；
  • 自动下载并整理copy number variation数据；数据保存到当前工作目录下的output_cnv文件夹下；
  • 下载的数据为最新数据，和GDC TCGA官网保持一致

• getmethybeta

  • 只需要提供正确的TCGA project名字即可；
  • 自动下载并整理450K的DNA methylation的beta值矩阵，以及对应的临床信息，数量和顺序完全一致，无需再次整理；
  • 自动整理探针信息，比如探针对应的gene symbol等，基于GRCh 38；
  • 数据保存在当前工作目录下的output_methy文件夹下；
  • 下载的数据为最新数据，和GDC TCGA官网保持一致

• getclinical

  • 下载XML格式的临床数据，包括各种常见的临床信息，如生存信息、病理分期、放化疗数据、化疗药物数据等
  • 与GDC TCGA官网数据保持一致
  • 只需要提供正确的TCGA project名字即可

• getpancancer_xena

  • 实现对泛癌数据的整理，支持TCGA、GTEx，以及整合TCGA+GTEx
  • 原始文件是从XENA下载的；
  • 只需提供相应的表达矩阵文件和样本信息文件即可
  • 很费内存，可在公众号后台直接回复pancancer获取我整理好的

• diff_analysis

  • 与getmrnaexpr，getmirnaexpr，getmrnaexpr_xena函数无缝对接，直接使用其输出结果即可，无需任何整理（默认对tumor和normal组进行差异分析）；
  • 支持count, tpm, fpkm和GEO数据，如果是count则自动通过3个R包进行差异分析：DESeq2, edgeR, limma；如果是其他类型（tpm, fpkm和基因表达芯片数据）会自动判断是否需要log2(x + 0.1)转换，然后使用limma和wilcoxon test做差异分析；
  • 用wilcoxon秩和检验做差异分析的参考资料：TCGA等大样本量差异分析该使用DEseq2还是edgeR呢？,以及文中涉及的参考文献：https://doi.org/10.1186/s13059-022-02648-4
  • 支持输入自己的表达矩阵和自定义分组，分组信息需要因子型向量；
  • 输出结果默认为1个list，内含多种差异分析结果，支持保存rdata格式数据到本地

• batch_survival

  • 自动进行logrank检验和单因素cox分析，默认基于最佳截点（P值最小）；
  • 与getmrnaexpr，getmirnaexpr函数无缝对接，直接使用其输出结果即可，无需任何整理；
  • 支持count，tpm，fpkm3种格式的数据，如果是counts，则通过DESeq2::vst()进行转换，如果是tpm/fpkm，则进行log2(x + 0.1)转换；
  • 支持打印基因序号到屏幕，方便定位有问题的基因

• 可视化函数

  • 主要用来进行一些简单的探索；每个函数都会返回画图数据，方便你自己探索；
  • plot_gene：任意数量基因在任意癌种（TCGA33种其中之一都可以）的任意分组中的表达量箱线图；
  • plot_gene_paired：任意基因在某一癌种配对样本中的表达量配对箱线图；
  • plot_km：根据任意基因的表达量分组，并画出K-M生存曲线（支持最佳截点）

使用教程

文字版使用教程请关注公众号：医学和生信笔记。

• easyTCGA：1行代码搞定TCGA的6种表达矩阵和临床信息
• easyTCGA：1行代码搞定TCGA突变maf文件下载和整理
• easyTCGA生存分析支持最佳截点，任意基因在不同组中的表达量箱线图
• TCGA、GTEx的泛癌数据也是1行代码整理
• 任意基因在泛癌中的表达量展示
• TCGA临床数据（化疗数据、用药反应等）和生存信息（4种临床结局）整理

视频版教程请关注哔哩哔哩：阿越就是我，（视频教程滞后于包的更新速度）

• easyTCGA：让初学者也能感受“征服”TCGA的喜悦
• easyTCGA：1行代码整理TCGA的6种表达矩阵和临床信息
• easyTCGA：1行代码整理TCGA的miRNA和突变数据
• easyTCGA：1行代码完成TCGA的3种差异分析
• easyTCGA：1行代码搞定两种TCGA批量生存分析

问题反馈

B站，公众号，Github，粉丝QQ群，都可以。

TO DO

• [x] 支持XENA网站下载的gene expression和临床数据的整理
• [x] 支持XENA泛癌数据的整理，对电脑内存要求较高，正在优化代码中......
• [x] 增加对miRNA的差异分析支持
• [x] 增加对miRNA的批量生存分析支持
• [x] 增加对自定义表达矩阵/自定义分组差异分析的支持
• [ ] 增加对多分组差异分析的支持
• [x] 增加对lncRNA的差异分析和批量生存分析支持
• [x] 实现一些常见的分析和可视化
• [ ] 支持自定义生存信息
• [ ] ......