手动下载的TCGA数据也是可以用TCGAbiolinks包整理的
💡专注R语言在🩺生物医学中的使用
很多人因为网络原因不能使用TCGAbiolinks这个神包下载TCGA的RNA-seq数据，只能通过浏览器访问GDC TCGA的官网进行下载，而下载后得到的是一个个文件夹，对于如何整理成一个表达矩阵也是很麻烦的。
今天给大家介绍一个简单点的方法，使用TCGAbiolinks包整理你通过浏览器官网下载的rna-seq数据。
通常大家通过浏览器下载后会得到下面的这种很多个文件夹：
每个文件夹里是一个样本的表达量数据，tsv格式的：
这时候你可以通过之前介绍过的方法得到表达矩阵：TCGA改版后转录组数据的下载以及整理
但是这个方法对于新手还是不够友好，尤其是根据Json文件匹配数据时，但是TCGA表达量数据又是很常用的，这个操作还是很高频的需求。
前几天学习TCGAbiolinks包时意外发现，即使是手动下载的数据，只要构建合适的路径，也是可以通过GDCprepare()函数进行整理从而简单的得到表达矩阵的！
TCGAbiolinks包下载的表达量数据的文件路径是有规律的，如果你没有特别指明，通常是位于GDCdata\TCGA-COAD\harmonized\Transcriptome_Profiling\Gene_Expression_Quantification这种路径下的。
这个包下载数据就是三板斧操作，query,download,prepare，而且最后GDCprepare()需要的还是GDCquery()得到的对象，因此我们完全可以通过构建一个适合它的路径，让GDCprepare()帮我们整理成表达矩阵！
比如我上面的各个样本文件夹的路径在我的电脑中是这样的：G:\tcga\GDCdata\TCGA-COAD\harmonized\Transcriptome_Profiling\Gene_Expression_Quantification，我的get_expr.R脚本是放在G:\tcga这个路径下的。
脚本内容如下：
library(TCGAbiolinks)
## =============================================================
## ______ ___ ____ ___
## || | | | | | o __ | o _ __
## || | | ___ |___| |__ | | | | | | | | |_/ |__
## || |___ |____| | | |__| | |__| |__ | | |_| | \ __|
## ------------------------------------------------------------
## Query, download & analyze - GDC
## Version:2.25.2
## ==============================================================
# 查询这一步是需要的！即使网在烂，这一步应该可以成功的...
query <- GDCquery(project = "TCGA-COAD",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification",
workflow.type = "STAR - Counts"
)
# 下载这一步就不用了，我们是通过官网手动下载的~
# GDCdownload(query, files.per.chunk = 100) #每次下载100个文件
# 整理
GDCprepare(query,save = T,save.filename = "example.rdata")
##|===============================================================================|100% ## Completed after 1 m
##Starting to add information to samples
## => Add clinical information to samples
## => Adding TCGA molecular information from marker papers
## => Information will have prefix 'paper_'
##coad subtype information from:doi:10.1038/nature11252
##Available assays in SummarizedExperiment :
## => unstranded
## => stranded_first
## => stranded_second
## => tpm_unstrand
## => fpkm_unstrand
## => fpkm_uq_unstrand
##=> Saving file: example.rdata
##=> File saved这样我们的数据就整理好了：
下次使用直接load即可：
rm(list = ls())
load(file = "example.rdata")
se <- data
se
class: RangedSummarizedExperiment
dim: 60660 521
metadata(1): data_release
assays(6): unstranded stranded_first ... fpkm_unstrand fpkm_uq_unstrand
rownames(60660): ENSG00000000003.15 ENSG00000000005.6 ... ENSG00000288674.1 ENSG00000288675.1
rowData names(10): source type ... hgnc_id havana_gene
colnames(521): TCGA-A6-5664-01A-21R-1839-07 TCGA-D5-6530-01A-11R-1723-07 ...
TCGA-A6-2683-01A-01R-0821-07 TCGA-A6-2683-11A-01R-A32Z-07
colData names(107): barcode patient ... paper_vascular_invasion_present paper_vital_status这个se就是我们之前介绍过的SummarizedExperiment对象，你可以对它进行各种操作，得到counts矩阵、tpm矩阵、fpkm矩阵都是小事一桩，犹如探囊取物一般简单流畅！ 详情可点击这篇推文：新版TCGAbiolinks包学习：表达矩阵提取（mRNA/lncRNA/counts/tpm/fpkm）。
“关于TCGA表达矩阵提取，告诉我，你还有哪里搞不定！？
获取更多信息，欢迎加入🐧QQ交流群：613637742
“医学和生信笔记，专注R语言在临床医学中的使用、R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。
往期回顾
初学者使用R语言读取、写出文件(csv/txt/excel/rdata等)的注意事项
又是聚类分析可视化！
微软官方的PowerPoint插件来了！！！
dplyr中的across操作
R语言和医学统计学系列：协方差分析
使用mlr3搞定二分类资料的多个模型评价和比较