12/2学习内容（TCGA 2.0）

上午

继续阅读关于老师发的文献，不过这次老师发的文献感觉有点难理解了，需要一定的知识储备，所以阅读的时候不懂有去谷歌一下，所以阅读起来就慢了一点

下午

想把之前的那个TCGA的流程再搞一搞，争取理解明白。不过在阅读公众号和博客的时候发现一个强大的包，感觉还不错，就进行了操作，下面是GDCRNATools包的下载数据教程

3 GDCRNATools套餐安装

​ 可以通过运行以下命令来安装稳定发行版：

## try http:// if https:// URLs are not supported
if (!requireNamespace("BiocManager", quietly=TRUE))
    install.packages("BiocManager")
BiocManager::install("GDCRNATools")

​ 要安装开发版本，请将R and Biocondutor更新到最新版本并运行：

if (!requireNamespace("BiocManager", quietly=TRUE))
    install.packages("BiocManager")
BiocManager::install("GDCRNATools", version = "devel")
library(GDCRNATools)

4快速入门

在中GDCRNATools，内置了一些功能供用户有效下载和处理GDC数据。用户还可以使用自己的数据，这些数据由其他工具处理，例如UCSC Xena GDC集线器，TCGAbiolinks （Colaprico et al.2016）或TCGA-Assembler （Zhu，Qiu和Ji 2014）等。

在这里，我们使用一个小的数据集来显示ceRNAs网络分析的最基本步骤。每个步骤的更详细说明在“ 案例研究”部分中。

4.1数据准备

HTSeq-Counts数据的标准化

library(DT)

### load RNA counts data
data(rnaCounts)

### load miRNAs counts data
data(mirCounts)
####### Normalization of RNAseq data #######
rnaExpr <- gdcVoomNormalization(counts = rnaCounts, filter = FALSE)

####### Normalization of miRNAs data #######
mirExpr <- gdcVoomNormalization(counts = mirCounts, filter = FALSE)

解析元数据

####### Parse and filter RNAseq metadata #######
metaMatrix.RNA <- gdcParseMetadata(project.id = 'TCGA-CHOL',
                                   data.type  = 'RNAseq', 
                                   write.meta = FALSE)

metaMatrix.RNA <- gdcFilterDuplicate(metaMatrix.RNA)
metaMatrix.RNA <- gdcFilterSampleType(metaMatrix.RNA)
datatable(as.data.frame(metaMatrix.RNA[1:5,]), extensions = 'Scroller',
        options = list(scrollX = TRUE, deferRender = TRUE, scroller = TRUE))

搜索：

显示5个条目中的1-5个

4.2 ceRNAs网络分析

鉴定差异表达基因（DEG）

DEGAll <- gdcDEAnalysis(counts     = rnaCounts, 
                        group      = metaMatrix.RNA$sample_type, 
                        comparison = 'PrimaryTumor-SolidTissueNormal', 
                        method     = 'limma')
datatable(as.data.frame(DEGAll), 
        options = list(scrollX = TRUE, pageLength = 5))

显示565条目中的1至5

上一页12345… 113下一页

### All DEGs
deALL <- gdcDEReport(deg = DEGAll, gene.type = 'all')

### DE long-noncoding
deLNC <- gdcDEReport(deg = DEGAll, gene.type = 'long_non_coding')

### DE protein coding genes
dePC <- gdcDEReport(deg = DEGAll, gene.type = 'protein_coding')

DEG的ceRNAs网络分析

ceOutput <- gdcCEAnalysis(lnc         = rownames(deLNC), 
                          pc          = rownames(dePC), 
                          lnc.targets = 'starBase', 
                          pc.targets  = 'starBase', 
                          rna.expr    = rnaExpr, 
                          mir.expr    = mirExpr)
## Step 1/3: Hypergenometric test done !
## Step 2/3: Correlation analysis done !
## Step 3/3: Regulation pattern analysis done !
datatable(as.data.frame(ceOutput), 
          options = list(scrollX = TRUE, pageLength = 5))

搜索：

显示453条目中的1至5

上一页12345… 91下一页

将ceRNAs网络导出到Cytoscape

ceOutput2 <- ceOutput[ceOutput$hyperPValue<0.01 
    & ceOutput$corPValue<0.01 & ceOutput$regSim != 0,]
### Export edges
edges <- gdcExportNetwork(ceNetwork = ceOutput2, net = 'edges')
datatable(as.data.frame(edges), 
        options = list(scrollX = TRUE, pageLength = 5))

### Export nodes
nodes <- gdcExportNetwork(ceNetwork = ceOutput2, net = 'nodes')
datatable(as.data.frame(nodes), 
        options = list(scrollX = TRUE, pageLength = 5))

把ceRNAs网络导出Ctoscape，然后对比文章的，看自己做的是否有差异。
（争取把这个折腾会 ）。