用TCGA数据库分析癌症和癌旁组织的表达差异

上周收到一条求助信息：“如何用TCGA数据库分析LINC00152在卵巢癌与正常组织的的表达差异？”

所以以这个题目为记录分析过程如下：

一、下载数据

  a）进入网站https://cancergenome.nih.gov/   网页截图如下：

  b）进入数据下载 Launch Data Portal   ，截图如下：

  进入数据下载接口后，有Projects Exploration Analysis Repository 四个栏目，我们数据下载可进入Repository菜单栏，截图如下：

  网页分成左右两边，左边主要是提供用户数据选择和过滤的窗口，右边是根据用户的选择后显示及其统计结果。左边选择分为 Cases  和 Files两大类。

  根据我们的研究，目的是要看LINC RNA在卵巢癌和正常组织的表达差异，所以我们在左边的栏目的Cases下选择Ovary，在Files 下选择 RNA-seq ，这些选项选择完毕，会出现上面的那张截图

 c）下载路径文件

 选好文件后，如上图将文件加入购物车，截图如下：

然后点击右上角的Cart，出现如下截图：

点击Sample sheet之后，包含所需文件目录的.tsv文件gdc_sample_sheet.2018-05-22.tsv就可以下载了，放到对应的目录下。

用NotePad打开文件如下：

 

d） 在linux下批量下载文件

  将该文件放在linux的   /home/zdwu/rnaseq/11_source_data  目录下，并在该目录下批量下载数据，代码如下：

cat gdc_sample_sheet.2018-05-22.tsv | while read line
do
echo https://portal.gdc.cancer.gov/files/${line:0:(36-0)}
wget -c https://gdc-api.nci.nih.gov/data/${line:0:(36-0)} -O ${line:167:(184-167)}'.htseq.counts.gz'
done

下载完毕后查看文件如下：

 

用如下命令，确认文件个数是否完整，完整后数据备用。

ls A-* | wc -l

 

二、数据分析

   a）数据解压

     用命令行 解压，解压后得到可读的数据。

zdwu@ubuntu://home/zdwu/rnaseq/11_source_data/ovary$ gunzip *counts

     b）找出Linc00152的表达量

     由于从TCGA下载的数据里的基因明都是ensemble ID，所以需要 从NCBI 查找Linc00152对应的 ensemble ID，找出的结果是Ensembl:ENSG00000222041

  

  注意：此处只有一个基因，所用手动从NCBI 找出ensemble ID是简单的，但是如果看的是大量的基因，那这将会非常通过，这时就需要通过ID转换文件来编程转换。

  基因ID 转换文件的下载地址 ：ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/   ，里面有gene2ensemble.gz   gene2accession.gz    gene2go.gz 等文件可以下载，根据这些文件，写个小脚本就可以批量转换了。

  c）整合多样本的LINC00152基因表达counts

zdwu@ubuntu://home/zdwu/rnaseq/11_source_data/ovary$ for file in *counts
> do
> echo ${file:0:12} >> ovary_linc00152.txt
> echo ${file:13:(16-13)} >> ovary_linc00152.csv
> cat ${file} | grep "ENSG00000222041" >> ovary_linc00152.csv
> done

最后将得到的ovary_linc00152.csv 文件拷贝至于windows电脑，截图如下:

这是没有normalized的数据，如果需要不同样本之间比较的话进行normalized，再简单的统计不同组之间样本的 t-test。分析完毕。