结合TCGAbiolinks批量下载TCGA临床信息

TCGAbiolinks包常用来TCGA的下载和各种常用分析,本人在使用TCGAbiolinks下载和整理TCGA临床信息时碰到一些麻烦,具体如下:

TCGAbiolinks下载临床信息代码常规如下:

library(TCGAbiolinks)

projects <- TCGAbiolinks::getGDCprojects()$project_id
projects <- projects[grepl('^TCGA', projects, perl=TRUE)]

meta=list()
for(project in projects){  
  query <- GDCquery(project = project,
                    data.category = "Clinical", 
                    file.type = "xml")
  GDCdownload(query)
  clinical <- GDCprepare_clinic(query, clinical.info = "patient")
  meta[[project]]=clinical
}

meta=as.data.frame(rbind,meta)

通过以上代码就把TCGA的33种肿瘤的临床信息就下载完了。GDCprepare_clinic函数中关于临床信息的选项不多,就drug, admin, follow_up,radiation, patient, stage_event这么几个,而我们一般需要的是bcr_patient_barcode, vital_status, days_to_death, days_to_last_followup, days_to_birth, gender, stage_event这些信息。因此,还需要对这个代码进行一些修改,参考了生信技能树的代码。

另外一点就是TCGA-GBM, TCGA-LAML, TCGA-LGG, TCGA-PCPG, TCGA-SARC这几个 肿瘤是没有stage_event信息的,所以TCGA的33种肿瘤还不能一次性处理。

library(TCGAbiolinks)
library(XML)
library(dplyr)
library(stringr)
library(tibble)
projects <- getGDCprojects()$project_id
projects <- projects[grepl('^TCGA', projects, perl=TRUE)]
projects <- projects[order(projects)]

projects1=projects[-which(projects %in% c("TCGA-GBM", "TCGA-LAML", "TCGA-LGG", "TCGA-PCPG", "TCGA-SARC"))]

# No stage information was found in project2.
projects2=c("TCGA-GBM", "TCGA-LAML", "TCGA-LGG", "TCGA-PCPG", "TCGA-SARC")

clinical1=list()
for (project in projects1) {
  query <- GDCquery(project = project,
                    data.category = "Clinical",
                    file.type = "xml")
  GDCdownload(query)
  dir1="/harmonized/Clinical/Clinical_Supplement/"
  xmls=dir(paste0('GDCdata/',project,dir1),pattern = "*.xml$",recursive = T)
  
  cl=list()
  
  use_col = c('bcr_patient_barcode',
              'vital_status',
              'days_to_death',
              'days_to_last_followup',
              'days_to_birth',
              'gender' ,
              'stage_event')
  
  for(i in 1:length(xmls)){
    result = xmlParse(paste0('GDCdata/',project,dir1,xmls[[i]]))
    rootnode = xmlRoot(result)
    dat=xmlToDataFrame(rootnode[2])
    if(sum(use_col %in% colnames(dat))==7)
      cl[[i]]=dat[,use_col]
  }
  
  clinical1[[project]] = do.call(rbind,cl)
}

clinical2=list()
for (project in projects2) {
  query <- GDCquery(project = project,
                    data.category = "Clinical",
                    file.type = "xml")
  GDCdownload(query)
  dir1="/harmonized/Clinical/Clinical_Supplement/"
  xmls=dir(paste0('GDCdata/',project,dir1),pattern = "*.xml$",recursive = T)
  
  cl=list()
  
  use_col= c('bcr_patient_barcode',
              'vital_status',
              'days_to_death',
              'days_to_last_followup',
              'days_to_birth',
              'gender')
  
  for(i in 1:length(xmls)){
    result = xmlParse(paste0('GDCdata/',project,dir1,xmls[[i]]))
    rootnode = xmlRoot(result)
    dat=xmlToDataFrame(rootnode[2])
    if(sum(use_col %in% colnames(dat))==6)
      cl[[i]]=dat[,use_col]
  }
  
  clinical2[[project]] = do.call(rbind,cl)
}

clinical1=as.data.frame(do.call(rbind,clinical1))
clinical2=as.data.frame(do.call(rbind,clinical2))
clinical2$stage_event=NA
identical(colnames(clinical1),colnames(clinical2))
meta=rbind(clinical1,clinical2)%>%
  tibble::add_column(Cancer = stringr::str_split(rownames(.),'-',simplify = T)[,2], .before="bcr_patient_barcode")
meta$Cancer=stringr::str_split(meta$Cancer,'[.]',simplify = T)[,1]

meta=meta[!duplicated(meta$bcr_patient_barcode),]
meta=meta[order(meta$Cancer,meta$bcr_patient_barcode),]
rownames(meta) <- meta$bcr_patient_barcode

# rename colname
colnames(meta)=c('Cancer','ID','event','death','last_followup','age','gender','stage')
# define missing value as NA
meta[meta==""]=NA

查看一下现在的临床信息:

图片

接下来就是计算生存期,整理分期信息了。

# calculate survival time
table(meta$event)
# Alive  Dead
# 8405  2748
meta$time = ifelse(meta$event=="Alive",
                   meta$last_followup,
                   meta$death)
meta$time = round(as.numeric(meta$time)/30,2)
meta$age = round(-(as.numeric(meta$age)/365),0)

meta$gender=ifelse(meta$gender=="MALE","M","F")

# define event,Alive=0,Dead=1
meta$event=ifelse(meta$event=='Alive',
                  0,
                  1)
table(meta$event)
# 0     1
# 8405  2748

k1 = meta$time>=0.1;table(k1)
# FALSE  TRUE
# 598 10477
k2 = !(is.na(meta$time)|is.na(meta$event));table(k2)
# FALSE  TRUE
# 92 11075
meta = meta[k1&k2,]
nrow(meta)
# [1] 10477

# stage
meta$stage=str_split(meta$stage,"Stage ",simplify = T)[,2]
a = str_extract_all(str_sub(meta$stage,1,4),"I|V");head(a)
b = sapply(a,paste,collapse = "")
table(b)
#      I   II  III   IV
# 2562 2487 2206 2259  963

meta$stage = b
# set missing value as NA
table(meta$stage)
#      I   II  III   IV
# 2562 2487 2206 2259  963

meta[meta=="" | meta=="not reported"]=as.character(NA)
table(meta$stage,useNA = "always")
# I    II   III   IV  <NA>
# 2487 2206 2259  963 2562

meta=meta[,c('Cancer','event','time','age','gender','stage')]

整理好的临床信息如下:

图片

看看每个肿瘤病例数:

table(meta$Cancer)

 # ACC BLCA BRCA CESC CHOL COAD DLBC ESCA  GBM HNSC KICH KIRC KIRP LAML  LGG LIHC LUAD LUSC MESO   OV PAAD PCPG PRAD READ 
 # 91  393 1025  283   47  340   44  150  592  518  109  521  260  173  504  341  478  470   85  581  179  178  498  127 
# SARC SKCM STAD TGCT THCA THYM UCEC  UCS  UVM 
# 251  435  384  132  498  122  536   54   78

最后就是和表达矩阵进行匹配了,log2(tpm+1)形式的表达矩阵长这样:

图片

匹配临床信息和表达矩阵:


# match or merge meta and expression
exprSet=tpm%>%
  filter(Group=="Tumor")%>%
  tibble::add_column(ID = stringr::str_sub(rownames(.),1,12),
                     .before="Cancer") %>%
  filter(!duplicated(ID)) %>%
  remove_rownames %>%
  tibble::column_to_rownames("ID")
exprSet=exprSet[,-(1:2)]

s = intersect(rownames(meta),rownames(exprSet));length(s)
# [1] 9678
exprSet = exprSet[s,]
meta = meta[s,]
dim(exprSet)
# [1]  9678 19571
dim(meta)
#[1] 9678    6
identical(rownames(meta),rownames(exprSet))
#[1] TRUE

如果要合并临床信息和表达矩阵的话,可以执行 以下代码:

meta$ID=rownames(meta)
exprSet$ID=rownames(exprSet)
meta=inner_join(meta,exprSet)%>%
tibble::column_to_rownames("ID")
image.png

致谢:
TCGAbiolinks
生信技能树

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,402评论 6 499
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,377评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,483评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,165评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,176评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,146评论 1 297
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,032评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,896评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,311评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,536评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,696评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,413评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,008评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,659评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,815评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,698评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,592评论 2 353

推荐阅读更多精彩内容