前面处理步骤之后，行名时官方格式，转换成对应的genesymble
操作步骤可见下文件夹
title: "基因ID转换"
author: "Sun Xiaojie"
output: rmarkdown::html_vignette
editor_options:
chunk_output_type: console
knitr::opts_chunk$set(
collapse = TRUE,
comment = "#>"
)
knitr::opts_chunk$set(fig.width = 6,fig.height = 6,collapse = TRUE)
knitr::opts_chunk$set(message = FALSE)
options(rmarkdown.html_vignette.check_title = FALSE)
01.需求
TCGA的RNA-seq数据使用的geneid是ensembl id,两个常见的需求：
1.差异分析结果中每个ensembl id对应的symbol和类型(mRNA/lncRNA或其它)
2.将行名从ensembl id 转换为symbol
02.思路
1.找到TCGA数据对应的参考基因组注释版本。
2.下载该版本的参考基因组注释文件，提取ensembl id 与symbol的对应关系及每个基因的gene type信息。
3.可以将symbol和gene type 用merge添加到差异分析结果中，也可以在差异分析前先转换矩阵的行名。
03.动起来
1.找参考基因组版本
gdc首页的support
about the data - GDC Reference Files
可以看到，使用的参考基因组版本是genecode的v22。（版本很多，这个是14年的版本了）
2.找区分类型的列
在gtf文件里并不是直接分出了lncRNA，需要找gtf文件里对biotype的说明，不看不知道，一看发现这是一个很长的表格。
其中对lncRNA的说明是：
Generic long non-coding RNA biotype that replaced the following biotypes: 3prime_overlapping_ncRNA, antisense, bidirectional_promoter_lncRNA, lincRNA, macro_lncRNA, non_coding, processed_transcript, sense_intronic and sense_overlapping.
所以需要将genetype里这些类型对应的行挑出来，就是lncRNA了。
然后与表达矩阵行名进行匹配替换，就可以分别得到mRNA和lncRNA的矩阵了。
options(stringsAsFactors = F)
if(!file.exists("gtf_gene.Rdata")){
#step1:读取并探索gtf文件----
#BiocManager::install("rtracklayer")
library(rtracklayer)
gtf = rtracklayer::import("gencode.v22.annotation.gtf")
class(gtf)
gtf = as.data.frame(gtf);dim(gtf)
colnames(gtf)
table(gtf$type)
#step2:先筛选出gene对应的行
gtf_gene = gtf[gtf$type=="gene",]
save(gtf_gene,file = "gtf_gene.Rdata")
}
load("gtf_gene.Rdata")
load("TCGA-CHOL_DEG.Rdata")
deg = DESeq2_DEG
table(rownames(deg) %in% gtf_gene$gene_id) #测试一下deg（作为模版必须齐全）是否包含所有gene_id，下面用merge的话就可以不全部包含，match必须包含
an = gtf_gene[,c("gene_name","gene_id","gene_type")]
deg = merge(deg,an,by.x = "row.names",by.y = "gene_id")
# mRNA和lncRNA总共有多少个？
lnc = c("3prime_overlapping_ncRNA", "antisense", "bidirectional_promoter_lncRNA", "lincRNA", "macro_lncRNA", "non_coding", "processed_transcript", "sense_intronic" , "sense_overlapping")
k1 = gtf_gene$gene_type %in% lnc;table(k1)
k2 = gtf_gene$gene_type == "protein_coding";table(k2)
# deg中有多少mRNA和lncRNA?
k3 = deg$gene_type %in% lnc;table(k3)
k4 = deg$gene_type =="protein_coding";table(k4)
# 差异的 mRNA和lncRNA 各有多少
k5 = deg$change !="NOT"
table(k3&k5)
table(k4&k5)
表达矩阵的行名id转换
rm(list = ls())
load("TCGA-CHOL_gdc.Rdata")
load("gtf_gene.Rdata")
an = gtf_gene[,c("gene_name","gene_id","gene_type")]
exp = exp[rownames(exp) %in% an$gene_id,] #exp里面存在an里所有基因ID挑选出来
an = an[match(rownames(exp),an$gene_id),] #match要求是两向量内容相同顺序可以不一样，若内容不一样则要求模版基因都要在比对数据里面
identical(an$gene_id,rownames(exp)) #此时exp和an和行名完全一致
k = !duplicated(an$gene_name);table(k) #去除相同的行名，R语言是不允许行名重复的
an = an[k,]
exp = exp[k,]
rownames(exp) = an$gene_name
# 最终得到的结果
exp[1:2,1:2]
save(exp,file = paste0(cancer_type,"_symbol_exp.Rdata"))
