(转载)TCGA数据分析流程梳理总结

细数下来，我断断续续学了一个多月，写了17篇TCGA相关的笔记，现对其进行完整梳理，一篇年度精品推文横空出世。17篇笔记梳理导读如下：

一.数据下载

有三种下载方式，他们的目的是一样的，就是整理出表达矩阵和临床信息两个表格，使用体验各有不同。
形如：

expr[1:4,1:4]
#>              TCGA-A3-3307-01A-01T-0860-13 TCGA-A3-3308-01A-02R-1324-13
#> hsa-let-7a-1                         5056                        14503
#> hsa-let-7a-2                        10323                        29238
#> hsa-let-7a-3                         5429                        14738
#> hsa-let-7b                          17908                        37062
#>              TCGA-A3-3311-01A-02R-1324-13 TCGA-A3-3313-01A-02R-1324-13
#> hsa-let-7a-1                         8147                         7138
#> hsa-let-7a-2                        16325                        14356
#> hsa-let-7a-3                         8249                         7002
#> hsa-let-7b                          28984                         6909
clinical[1:4,1:4]
#>              patient.vital_status patient.days_to_death
#> TCGA-3Z-A93Z                alive                  <NA>
#> TCGA-6D-AA2E                alive                  <NA>
#> TCGA-A3-3306                alive                  <NA>
#> TCGA-A3-3307                alive                  <NA>
#>              patient.days_to_last_followup              patient.race
#> TCGA-3Z-A93Z                             4 black or african american
#> TCGA-6D-AA2E                           135 black or african american
#> TCGA-A3-3306                          1120                     white
#> TCGA-A3-3307                          1436                      <NA>

1.官方工具GDC

需要去官网下载对应系统版本的GDC软件，存放在工作目录下。
关于这个工具前后写了三篇：
(1)GDC数据下载
(2)GDC数据整理
(3)GDC数据整理续集
这个方法需要扎实的的linux命令行和R语言基础，仅仅是理解代码，也是需要花费一些时间的。

2.R包TCGA-biolinks

R包TCGAbiolinks下载数据
这是一个完全基于R语言的流程，下载的是最新的数据，其实还是基于GDC，更加集成化，操作简单很多，除了参数研究比较费时间，没有发现什么缺点。

3.R包RTCGA

使用RTCGA包获取数据
这是一个数据库式的包，把所有数据都包装进去了，导致包很大，不是最新的数据，但最简单。

总结一下这三种方法，都是分别下载表达矩阵和meta信息，但由于有的病人既有肿瘤样本，又有正常样本，导致他们并非是一一对应的关系，需要一定的R语言技巧。

二.差异分析

TCGA（转录组）差异分析三大R包及其结果对比
使用转录组三大R包deseq2，limma和edgeR分别进行差异分析，他们的差异基因可视化如下。

下面这张图是表达矩阵的主成分分析图、差异基因表达量热图以及三个R包得到的差异基因韦恩图。

跨界拼图不简单呦。

三.生存分析

两种方法批量做TCGA生存分析
单个基因的生存分析可视化是很简单的，有非常好的R包可用，画出来的图要颜值有颜值，要内涵有内涵。

由于拿到的数据是几百个甚至几万个基因的表达矩阵，可以先进行初步筛选，批量生存分析走起。
cox回归和log-rank方法均可用于批量生存分析，会对每个基因计算p值。

四.生存模型构建

课程中共使用了四种算法构建模型：

• cox(可做单因素和多因素)
  TCGA的cox模型构建和风险森林图
• lasso回归
  用lasso回归构建生存模型+ROC曲线绘制
• 随机森林
  听起来很霸气用起来并不难的随机森林
• 支持向量机
  听起来很霸气用起来并不难的 支持向量机

不管用了那种算法，核心都只是几句代码而已。一听就高大上的机器学习，开发很难，应用不难。得到的生存模型可用于另一数据集的预测，即根据构建模型所使用的基因表达量，预测对应的病人生死。如果只有一个数据集，可使用机器学习包caret进行切割，一半是训练集，用于构建模型；另一半是测试集，用于验证模型。

使用了两种评估指标对模型进行评估

• C-index
• AUC值，可用ROC曲线可视化。
  他们的取值都在0.5-1之间，越大越好。其中，ROC曲线还可以将生存时间考虑在内，只是换一个R包（timeROC）。
  考虑生存时间的ROC曲线-timeROC

还有一个风险因子关联图
TCGA风险因子关联，那天讲直播课讲到晚上11点，在豆豆的逼迫下完成这篇推文，到最后一刻23：59慌忙发出去，又忘了改标题。

从上向下三个图分别表示:
1.每个病人的预测值，按照从小到大排序
2.每个病人的生存时间，颜色区分生死
3.热图，挑出的基因在每个样本中的表达量

五.突变数据

首先是数据下载。
TCGA突变数据的下载、整理和可视化
突变数据在TCGA数据库中存储为maf格式，需要将其读入R语言，有很好的R包可以一键展示数据特征，形如：

有哪些基因在较多样本中发生了突变，哪个样本突变的基因较多，所占的比例等等都可以一目了然。

还可以进行mutation signafiture分析
TCGA突变数据分析-mutation signafiture
得到如下的图：

展示了30个signafiture 在所有样本中的分布。

我们还可以根据某个基因是否突变对样本进行分组，比较指定的基因在两组之间的表达量：

任意基因的任意分组比较（标题忘记改了）
也可以比较指定的两个基因在任意分组下的相关性：
表达矩阵任意两个基因的相关性分析和绘图

如果有幸发现两个基因本身表达量是相关的，但在根据突变分组后发现这种相关性被打破了，就有可能得到一个新故事，几率很小，可以用循环来筛选。

只要R语言基础牢固，想要根据什么分组都只是改改代码的问题，包括但不局限于是否突变、人种、性别等等。