腫瘤基因組圖譜（TCGA）計劃是由美國National Cancer Institute（NCI）和National Human Genome Research Institute（NHGRI）于2006年聯合啟動的項目，研究的癌癥類型從最開始的多形性成膠質細胞瘤（GBM）到現在為止共有39種，涉及29種癌癥器官，1萬多個腫瘤樣本，27萬多份文件，當然其項目也將于2017年接近尾聲。
網址：https://portal.gdc.cancer.gov/
對于腫瘤研究者來說，TCGA數據庫就是一個資源寶庫，里面有很多有價值的信息可以挖掘，關于TCGA數據挖掘的工具很多，包括在線工具和R包。這里我們主要是通過R語言進行挖掘，所以需要有一點R語言基礎。R語言快速入門可參考文章：R語言編程基礎第一篇：語法基礎。也可以自己找教程自學，網上教程很多，學習了R以后，我們就的真正的去了解TCGA數據庫，我們之前的文章：TCGA數據庫使用教程對該數據庫進行了詳細的介紹，不了解該數據庫的同學可以先了解網頁版的使用。
使用R語言挖掘TCGA數據，可以用的包很多，比如GDCRNATools包，以及之前我們介紹過的TCGA-Assembler包。在這里我們就不推薦使用這些包，我們只推薦本文要介紹的TCGAbiolinks包。這個包的功能很強大，學會了這個包幾乎就已經夠用，不用在學其他包。今天我們開始
第一講：TCGAbiolinks包背景知識介紹
TCGAbiolinks -一個用于TCGA數據綜合分析的R/BioConductor軟件包，能夠通過GDC Application Programming Interface (API)訪問 National Cancer Institute (NCI) Genomic Data Commons (GDC) ，來搜索、下載和準備相關數據，以便在R中進行分析。
1.TCGAbiolinks包的安裝
devtools::install_github(repo ="BioinformaticsFMRP/TCGAbiolinks")
也可以通過下面代碼安裝
# 當前R的版本是"3.6"，對應的TCGAbiolinks版本是"3.7"or"3.8"if(!requireNamespace("BiocManager", quietly = TRUE))install.packages("BiocManager")BiocManager::install("TCGAbiolinks", version ="3.8")
安裝成功后就是加載包了，如果加載還需要某些包，就先安裝相應的包：
library(TCGAbiolinks)library(dplyr)library(DT)
2.參考文獻
文章中使用了該包，請引用：
Colaprico A, Silva TC, Olsen C, Garofano L, Cava C, Garolini D, Sabedot T, Malta TM, Pagnotta SM, Castiglioni I, Ceccarelli M, Bontempi G and Noushmehr H. "TCGAbiolinks: an R/Bioconductor package for integrative analysis of TCGA data." Nucleic acids research (2015): gkv1507.
此外，如果您使用ELMER分析，請引用：
Yao, L., Shen, H., Laird, P. W., Farnham, P. J., & Berman, B. P. "Inferring regulatory element landscapes and transcription factor networks from cancer methylomes." Genome Biol 16 (2015): 105.
Yao, Lijing, Benjamin P. Berman, and Peggy J. Farnham. "Demystifying the secret mission of enhancers: linking distal regulatory elements to target genes." Critical reviews in biochemistry and molecular biology 50.6 (2015): 550-573.
3.TCGA條碼（barcode）
TCGA條碼由一組標識符組成。每個都專門標識一個TCGA數據元素。有關元數據標識符如何組成條形碼的說明，請參見下圖：
更多TCGA barcode信息：
https://docs.gdc.cancer.gov/Encyclopedia/pages/TCGA_Barcode/
接觸和分析過TCGA數據的朋友肯定會經常處理TCGA barcode的前15位（有時12位），實際從上圖可以看出TCGA的barcode設計總共有28位之多。
每一個短橫杠銜接的都是含不同意義的序列，如下圖：
另外，將barcode的組成從層次結構（樹）來看，是這樣的：
可參考：
https://docs.gdc.cancer.gov/Encyclopedia/pages/images/TCGA-TCGAbarcode-080518-1750-4378.pdf
4.TCGAbiolinks可以使用兩種方法下載GDC數據：
client：此方法創建MANIFEST文件并使用?GDC Data Transfer Tool下載數據。此方法更可靠，但與api方法相比可能更慢。
api：此方法使用 GDC Application Programming Interface (API)下載數據。這將創建一個MANIFEST文件，并且下載的數據將是一個格式為tar.gz的壓縮文件。如果文件的大小和數量太大，這個tar.gz文件會太大導致下載失敗的可能性提高。為了解決這個問題，我們將使用files.per.chunk功能將文件拆分成多個小文件，例如，如果chunks.per.download等于10，我們將每個tar.gz分為10個小文件下載。
5.數據準備：SummarizedExperiment對象
使用 SummarizedExperiment package，我們可以從SummarizedExperiment對象中提取三個主要的數據矩陣。
colData(data)：獲得樣本信息的矩陣，包括了從對應TCGA論文中獲得的臨床數據以及腫瘤亞型信息。
assay(data)：獲得Assay信息的矩陣，就是每一個樣本中基因的表達量。
rowRanges(data)：獲得特征（一般是指基因）信息的矩陣，包括特征的元數據，例如基因所在基因組范圍。
6.Summarized Experiment：注釋信息
使用GDCprepare函數時，會調用一個參數SummarizedExperiment，該參數決定了輸出類型為Summarized Experiment（默認選項）或數據框。為了創建一個Summarized Experiment對象，我們需要使用最新的基因組注釋文件進行數據注釋。比如：1）對于legacy數據（與hg19對齊的數據），TCGAbiolinks正在使用GRCh37.p13進行注釋；2）對于harmonized數據（與hg38對齊的數據），TCGAbiolinks正在使用GRCh38.p7 (May 2017)進行注釋。不幸的是，在GRCh38.p7 這樣的注釋文件更新后，比如一些基因縮寫名稱的改變/刪除、更改基因坐標等。這可能會導致一些TCGA數據的丟失。例如，如果基因被刪除，我們就不能再映射它了，那么在SummarizedExperiment中這些信息會丟失。如果設置SummarizedExperiment為FALSE，您將獲得未修改的數據，并需要您自己去注釋。此外，DNA甲基化數據并沒有更新。但是可以在這里找到最新的元數據：http://zwdzwd.github.io/InfiniumAnnotation
7.GDCquery()參數解析
TCGAbiolinks包的函數很多，但GDCquery()函數是必須要介紹的，其他函數介紹肯文末，我們后續用到也會做詳細的講解。
（1）project
可以使用getGDCprojects()$project_id得到各個癌種的項目id，總共有52個ID值。
（2）data.category
data.category總共有8種
可以使用TCGAbiolinks:::getProjectSummary(project)查看project中有哪些數據類型，如查詢"TCGA-LIHC"，有7種數據類型，case_count為病人數，file_count為對應的文件數。要下載表達譜，可以設置data.category="Transcriptome Profiling"
（3）data.type
篩選要下載的文件的數據類型。沒有命令可以查看data.type里都有哪些數據類型， 但是根據官網連接，查看data.type有12種，但設置參數的時候不代表所有的project和data.category都對應12種。先在官網查看后再設置。
#下載rna-seq的counts數據data.type ="Gene Expression Quantification"#下載miRNA數據data.type ="miRNA Expression Quantification"#下載Copy Number Variation數據data.type ="Copy Number Segment"
（4）workflow.type
該數據類型有很多種，根據data.type的不同而不同，不同的數據類型，有其對應的參數可供選擇。比如Gene Expression Quantification數據類型下workflow.type 有4種類型分別為：
HTSeq - FPKM-UQ：FPKM上四分位數標準化值
HTSeq - FPKM：FPKM值/表達量值
HTSeq - Counts：原始count數
STAR - Counts
具體可在GDC官網查看
（5）legacy
這個參數主要是因為TCGA數據有兩個入口可以下載，GDC Legacy Archive 和 GDC Data Portal，區別主要是注釋參考基因組版本不同分別是：GDC Legacy Archive（hg19和GDC Data Portal（hg38）。參數默認為FALSE，下載GDC Data Portal（hg38）。這里建議是，下載轉錄組層面的數據使用hg38，下載DNA層面的數據使用hg19，因為比如做SNP分析的時候很多數據庫沒有hg38版本的數據，都是hg19的。
（6）access
數據開放和不開放，有兩個參數:controlled, open。
（7）platform
這里涉及到的平臺種類非常多，可以具體去官網看每種數據都有什么平臺的可以下載。這個參數可以省略不設置。
（8）file.type
主要是在GDC Legacy Archive下載數據的時候使用，可以參考官網說明。在GDC Data Portal下載數據，該參數省略不設置。
（9）barcode
A list of barcodes to filter the files to download。可以根據這個參數設置只下載某個樣本等。如：
barcode?=?c("TCGA-14-0736-02A-01R-2005-01","TCGA-06-0211-02A-02R-2005-01")
（10）experimental.strategy
兩個下載入口參數選擇：
GDC Data Portal：WXS, RNA-Seq, miRNA-Seq, Genotyping Array.
Legacy: WXS, RNA-Seq, miRNA-Seq, Genotyping Array, DNA-Seq, Methylation array, Protein expression array, WXS,CGH array, VALIDATION, Gene expression array,WGS, MSI-Mono-Dinucleotide Assay, miRNA expression array, Mixed strategies, AMPLICON, Exon array, Total RNA-Seq, Capillary sequencing, Bisulfite-Seq
（11）sample.type
A sample type to filter the files to download，可以對樣本類型進行過濾下載。這里我要下載所有樣本類型數據，不設置。部分值選擇如下（全部可以查看官網）：如sample.type = "Recurrent Solid Tumor"
關于其他函數及參數介紹可以閱讀官方文檔：http://www.bioconductor.org/packages/release/bioc/manuals/TCGAbiolinks/man/TCGAbiolinks.pdf
當然，后續教程中我們用到什么函數也會詳細的講解。
下一講預告：TCGAbiolinks下載TCGA數據
?
