轉自 TCGA數據下載—TCGAbiolinks包參數詳解
原創 hls 組學大講堂 2019-10-22
Install tcgabiolink
if(!requireNamespace("BiocManager",quietly=TRUE)){
install.packages("BiocManager")
}
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
BiocManager::install("TCGAbiolinks")
TCGAbiolink-Download
1.GDCquery()? #查詢data
2.getResults()? #下載data
3.GDCprepare() #整理data
##說明書http://www.bioconductor.org/packages/release/bioc/vignettes/TCGAbiolinks/inst/doc/query.html
GDCquery參數
1.Project
getGDCprojects()$project_id ,獲取TCGA 中最新的不同癌的項目號
2.data.category
TCGAbiolinks:::getProjectSummary(project)查看project中有哪些數據類型，如查詢"TCGA-ACC"，
exsample:
TCGAbiolinks:::getProjectSummary('TCGA-ESCA')
TCGAbiolinks:::getProjectSummary('TCGA-ESCA')$file_count[1] 5657
$data_categories? file_count case_count? ? ? ? ? ? ? data_category1? ? ? ? 919? ? ? ? 184? ? Transcriptome Profiling2? ? ? 1486? ? ? ? 184 Simple Nucleotide Variation3? ? ? ? 962? ? ? ? 185? ? ? ? ? ? ? ? Biospecimen4? ? ? ? 207? ? ? ? 185? ? ? ? ? ? ? ? ? ? Clinical5? ? ? ? 202? ? ? ? 185? ? ? ? ? ? DNA Methylation6? ? ? 1115? ? ? ? 185? ? ? Copy Number Variation7? ? ? ? 766? ? ? ? 185? ? ? ? ? ? Sequencing Reads
$case_count[1] 185
$file_size[1] 8.198261e+12
3.data.type
參數受到熵一個參數的影響，不同的data.category，會有不同的data.type
4.Workflow.type
這個參數受到上兩個參數的影響，不同的data.category和不同的data.type，會有不同的workflow.type，如下表所示：https://www.omicsclass.com/article/1059
legacy這個參數主要是設置TCGA數據有兩不同入口可以下載，GDC Legacy Archive 和 GDC Data Portal，以下是官方的解釋兩種數據Legacy or Harmonized區別：大致意思為：Legacy 數據hg19和hg18為參考基因組（老數據）而且已經不再更新了，Harmonized數據以hg38為參考基因組的數據（新數據），現在一般選擇Harmonized。可以設置為TRUE或者FALSE：
access
Filter by access type. Possible values: controlled, open，篩選數據是否開放，這個一般不用設置，不開放的數據也沒必要了，所以都設置成：access=“open"
7.platform
涉及到數據來源的平臺，如芯片數據，甲基化數據等等平臺的篩選，一般不做設置，除非要篩選特定平臺的數據：
8. file.type
如果是在GDC Legacy Archive（legacy=TRUE）下載數據的時候使用，可以參考官網說明：http://www.bioconductor.org/packages/release/bioc/vignettes/TCGAbiolinks/inst/doc/query.html
如果在GDC Data Portal，這個參數不用設置
9. barcode
A list of barcodes to filter the files to download，可以指定要下載的樣品，例如：
barcode =c"TCGA-14-0736-02A-01R-2005-01""TCGA-06-0211-02A-02R-2005-01"
10. data.format
可以設置的選項為不同格式的文件：("VCF", "TXT", "BAM","SVS","BCR XML","BCR SSF XML", "TSV", "BCR Auxiliary XML", "BCR OMF XML", "BCR Biotab", "MAF", "BCR PPS XML",? "XLSX")，通常情況下不用設置，默認就行；
11. experimental.strategy
用于過濾不同的實驗方法得到的數據：
Harmonized: 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
12. sample.type
對樣本的類型進行過濾，例如，原發癌組織，復發癌等等；
學習完成了所有的參數，這里也有舉例使用：
query <- GDCquery(project = "TCGA-ACC",
? ? ? ? ? ? ? ?? data.category = "Copy Number Variation",
? ? ? ? ? ? ? ?? data.type = "Copy Number Segment")
## Not run:
query <- GDCquery(project = "TARGET-AML",
? ? ? ? ? ? ? ?? data.category = "Transcriptome Profiling",
? ? ? ? ? ? ? ?? data.type = "miRNA Expression Quantification",
? ? ? ? ? ? ? ?? workflow.type = "BCGSC miRNA Profiling",
? ? ? ? ? ? ? ?? barcode = c("TARGET-20-PARUDL-03A-01R","TARGET-20-PASRRB-03A-01R"))
query <- GDCquery(project = "TARGET-AML",
? ? ? ? ? ? ? ?? data.category = "Transcriptome Profiling",
? ? ? ? ? ? ? ?? data.type = "Gene Expression Quantification",
? ? ? ? ? ? ? ?? workflow.type = "HTSeq - Counts",
? ? ? ? ? ? ? ?? barcode = c("TARGET-20-PADZCG-04A-01R","TARGET-20-PARJCR-09A-01R"))
query <- GDCquery(project = "TCGA-ACC",
? ? ? ? ? ? ? ?? data.category =? "Copy Number Variation",
? ? ? ? ? ? ? ?? data.type = "Masked Copy Number Segment",
? ? ? ? ? ? ? ?? sample.type = c("Primary solid Tumor"))
query.met <- GDCquery(project = c("TCGA-GBM","TCGA-LGG"),
? ? ? ? ? ? ? ? ? ?? legacy = TRUE,
? ? ? ? ? ? ? ? ? ?? data.category = "DNA methylation",
? ? ? ? ? ? ? ? ? ?? platform = "Illumina Human Methylation 450")
query <- GDCquery(project = "TCGA-ACC",
? ? ? ? ? ? ? ?? data.category =? "Copy number variation",
? ? ? ? ? ? ? ?? legacy = TRUE,
? ? ? ? ? ? ? ?? file.type = "hg19.seg",
? ? ? ? ? ? ? ?? barcode = c("TCGA-OR-A5LR-01A-11D-A29H-01"))
下載數據? GDCdownload()
上面的GDCquery()命令完成之后我們就可以用GDCdownload()函數下載數據了，如果數據很多，如果中間中斷可以重復運行GDCdownload()函數繼續下載，直到所有的數據下載完成，使用舉例如下：
query <-GDCquery(project = "TCGA-GBM",
? ? ? ? ? ? ? ? ? ? ? ? ? data.category = "Gene expression",
? ? ? ? ? ? ? ? ? ? ? ? ? data.type = "Gene expression quantification",
? ? ? ? ? ? ? ? ? ? ? ? ? platform = "Illumina HiSeq",
? ? ? ? ? ? ? ? ? ? ? ? ? file.type? = "normalized_results",
? ? ? ? ? ? ? ? ? ? ? ? ? experimental.strategy = "RNA-Seq",
? ? ? ? ? ? ? ? ? ? ? ? ? barcode = c("TCGA-14-0736-02A-01R-2005-01", "TCGA-06-0211-02A-02R-2005-01"),
? ? ? ? ? ? ? ? ? ? ? ? ? legacy = TRUE)
GDCdownload(query, method = "client", files.per.chunk = 10, directory="D:/data")
具體參數說明如下，主要設置的參數：query，為GDCquery查詢的結果，files.per.chunk = 10,設置同時下載的數量，如果網速慢建議設置的小一些， directory="D:/data" 數據存儲的路徑；
整理數據? GDCprepare()
GDCprepare可以自動的幫我們獲得基因表達數據：
data <- GDCprepare(query = query,
? ? ? ? ? ? ? ? ? save = TRUE,
? ? ? ? ? ? ? ? ? directory =? "D:/data", ? #注意和GDCdownload設置的路徑一致GDCprepare才可以找到下載的數據然后去處理。 ? ?
? ? ? ? ? ? ? ? ? save.filename = "GBM.RData") ? #存儲一下，方便下載直接讀取
獲得了data數據之后，就可以往下進行數據挖掘了。
