TCGA数据库 | 临床数据不仅仅只有clinical.tsv

其实经常分析TCGA数据库时会发现，clinical.tsv中基本没什么可用信息，大部分数据都是缺失的，那么，如何获取比较全面的临床数据，有哪些常用方法和数据库，一块来看看吧~

官网地址： https://portal.gdc.cancer.gov/

0. 对比两种结果的信息密度

在正式分析之前，可以先整体感受一下二者的信息量差距

因为数据比较多，因此我把表格缩小了来看，如clinical.tsv所示，中间比较空白的地方记录的都是“-”，即缺失值，clinical.tsv中虽然term比较多，但除了少部分预后信息之外，记录的临床信息非常的少，不利于后续进一步分析

image

再看看使用本期R脚本分析的结果，结果非常丰富，记录也十分详细，基本没有缺失值

image

1. 下载临床数据

总共分为以下4步：

1. Cases选择感兴趣的数据集
2. File中选择clinical
3. 加入购物车

4. 下载购物车中的文件
   image

2. 提取临床信息

文末提供整个Rproject文件夹

1. 把上一步下载的压缩文件解压到./TCGA_clinical/file位置

   image

2. 运行./TCGA_clinical中的code.R，什么都不需要修改！ 输出的TCGA_cli.xls即为结果

library(XML)
library(dplyr)

file_char<-list.files(pattern = ".xml",full.names = T,recursive = T)
tem <- xmlParse(file_char[i])%>%xmlToDataFrame()
output_df <- matrix(nrow = length(file_char),
                    ncol = ncol(tem),
                    dimnames = list(NULL,
                                    colnames(tem)))
rm(tem)
for (i in 1:length(file_char)) {
  cli_data <- xmlParse(file_char[i])
  cli_frame <- xmlToDataFrame(cli_data)
  cli_frame[1,c(!is.na(cli_frame[2,]))]<-cli_frame[2,c(!is.na(cli_frame[2,]))]
  output_df[i,]<-as.character(cli_frame[1,])
}
write.table(output_df,file = "TCGA_cli.xls",sep = "\t",row.names = F,col.names = T)

整个Rproject私信提供

感谢观看，如果有用还请点赞，收藏，转发！