https://cancergenome./ 想学习生物信息学的小伙伴估计没有人不知道TCGA(The Cancer Genome Atlas )数据库的,他是NIH旗下一个含有丰富基因表达和临床数据的数据库网站。为什么重要,简单点说,只要能把他上面的数据搞下来分析下,零成本,就能帮我们憋出好多科研思路,这也是最近几年它越来越火的原因,在pubmed上随意搜索都可以看到有很多基于TCGA的文章;同时因为有临床数据,其对课题方向的设计,基因蛋白分子的筛选都大有裨益。 然而,很可惜,想要获得最新最全的数据需要编程(R语言)才能下载,这对于初学生信的同学来说是不可能的。在1年前,我们介绍过一款完全免费的免安装的TCGA数据下载神器,傻瓜式,零基础,让你可以很顺畅地在数据的海洋里遨游。而伴随着口口相传,这款网红生信分析神器的使用量早期突破了百万大关。 当时还录了视频教程哈: 为什么这么火呢,其实是有道理的: 1.“点点点”即可获得TCGA数据(都不用去TCGA网站,也不用愁看不懂) 2.不需要学习任何R语言就可以下到最全的数据。(因为这个软件就是根据严谨的R语言算法设计的) 3.利用这个小软件,设计课题 4.利用这个小软件,写文章 很高兴,这个神器目前已经更新到了V16版本,更难能可贵的是,这款神器仍然是免费的!(要我,早收费了....) 新版本“简洁”到令人发指的地步: 你看着啥都没有,其实他是在检索,大约过一会儿(因你的网络而定)就会长这个样子: 左侧就是检索出来可以下载的TCGA的三十多种肿瘤,你可以双击任何的一个肿瘤便可以进行下一步操作,比如双击选择胃癌: 弹出一个小框,可以下拉,里面有多种选择,每一种选择都是检索一类数据,GDC做了限制,所以检索所有数据时如果样本量过大可能检索不出来,比如乳腺癌,所以这里分类型来检索比较实在。 1、所有甲基化数据:主要包含两种平台的甲基化数据:27k和450k的 2、所有转录组数据:主要包含RNA-Seq,miRNA-Seq,划重点:下载基因表达、lncRNA表达、假基因表达、miRNA表达在这里下载 3、Biospecimen:主要是病人的入院收治信息 4、临床随访信息:主要包含病人的随访信息,划重点:你要的预后,生存,用药信息在这里 5、单核苷酸多态数据:主要包含SNP的数据,由四种软件处理的SNP数据都在这里面 6、拷贝数变异数据:主要包含CNV的数据,其中有两种一种是去除种系差异的,一种是没去除的。 我们先选择甲基化的看一看: 长这个样子,从中可以看到右上方下拉菜单有两种,450(397),27(73),这就说明胃癌 TCGA里测了两种平台的甲基化数据,样本量分别为397和73个,我们选择其中一个,然后右下角点击下载就好了,如果想进一步筛选一下癌症样本则右下角勾选癌症样本即可。 同理我们选择转录组数据看一看如下: 对!有五个,其中HTSeq 开头的表示的是RNA-Seq,三个分别表示三种定量方式,你酌情选择,不管选哪一种lncRNA、假基因、编码基因的表达谱都在这里面,BCGSC开头的表示miRNA-Seq,有两种,一种是isoform的这类是成熟体miRNA保存的地方,一种是不含isoform的,这类是前体miRNA保存的地方,你酌情选择,选择完右下角点击下载即可。 同理我们选择Biospecimen看看如下: 看一下,厉害了,有两千多个样本,这些都是啥呢,如图中红框文件大小比较小的,文件名是.xml结尾的此类是病人入院的信息,文件大小比较大的,文件名是.svs结尾的此类是病人的病理学图像数据,此类是最近新共享的,可以下载后用指定的软件打开看病理。 同理我们选择临床随访信息看一下: 有三类,biotab,XML,OMF XML,第一个是病人的一些其他信息比如同时患了其他肿瘤的信息,是文本文件,而第二个才是随访信息,包含各种预后,治疗等信息的数据,第三个和第一个差不多,但是是xml格式的。 看一下单核苷酸多态的数据: 很明显是四个软件的结果,都是maf文件格式的,所有的突变都在一个文件里,要算TMP之类的可以在这里下载。 再看一下拷贝数变异数据: 有两种,一种是.nocnv结尾的,一种是非nocnv的,样本个数是一样的,主要差别在于nocnv是去除了种系差异的,一般使用nocnv数据做后续的分析。 以上是所有类型的数据的下载介绍!数据下载完成之后大多数都不能直接用,故软件还贴心提供了合并文件这个功能,如右下角 合并文件按钮,以下载临床随访信息为例,数据下载完成是长这个样子: 划重点: 除了单核苷酸多态、Biospecmen,其他各个类型的数据下载下来都是类似的 一个样本一个文件的样子,所以此时我们就需要将这些样本合并成矩阵,故点击“合并文件”按钮,弹出文件选择框,选择我们下载好的文件的文件夹,里面包含了一个.log结尾的文件,我们选择该log文件即可将这些样本进行合并,该log文件记录了本次下载中所有的样本的下载信息,所以软件根据该文件对这些样本进行合并成最终的矩阵。 很明显,相比之前几个版本更强大了: 一、miRNA数据合并时同时合并出两个矩阵,一个是counts的,一个是FPKM的 二、支持拷贝数变异的数据合并,可以用来直接跑GISTIC,或者做其他的下游分析 三、优化了临床随访信息中疾病进展状态(复发,转移等)及时间的提取,身高、体重、BMI等 这些A开头的都是根据一定规则从随访信息数据中单独提取出来的,以便更轻松的往下分析。 总生存时间和状态提取原则:死亡患者:首次出现死亡时的时间,未死亡患者:最后一次随访的时间。 进展时间和状态提取原则:进展患者:首次出现进展时的时间,未进展的患者:最后一次随访的时间。 总之,有了这个神器,你可以毫无压力地玩转TCGA数据库的下载环节,然而精彩的故事才刚刚开始...... 生信初学的同学,也可以到目前国内最大的生信学习社区(https:///)逛逛,尤其是神秘的SangerBox可视化生信分析软件。瞧瞧告诉你,今天介绍的TCGA下载神器仅仅是BOX里其中一件神器而已哦 |
|
来自: 闲书5mg7dd8c1w > 《生信》