阿越1229

V1

2022/09/18阅读:39主题:自定义主题1

TCGA官网下载和TCGAbiolinks下载的文件数量竟然不一样?

本文首发于公众号:医学和生信笔记

医学和生信笔记,专注R语言在临床医学中的使用,R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

最近有小伙伴问我TCGA的表达矩阵整理问题,用到了我的一篇推文中的教程: TCGA官网下载的数据也可以用TCGAbiolinks包搞定,只需2行代码!

但是总是遇到以下报错:

# 查询这一步是需要的!即使网在烂,这一步应该可以成功的...
query <- GDCquery(project = "TCGA-READ",
                  data.category = "Transcriptome Profiling",
                  data.type = "Gene Expression Quantification",
                  workflow.type = "STAR - Counts"
                  )

# 下载这一步就不用了,我们是通过官网手动下载的~
#GDCdownload(query, files.per.chunk = 100) #每次下载100个文件

# 整理,网友在这一步遇到了报错!!!
GDCprepare(query,save = T,save.filename = "tcga_read.rdata")

Error in GDCprepare(query, save = T, save.filename = "tcga_read.rdata") : 
  I couldn't find all the files from the query. Please check if the directory parameter is right or `GDCdownload` downloaded the samples.

看这个报错提示是文件不全,让检查文件路径,在确定了文件路径和代码、网络都没有问题后,我觉得非常神奇!

理论上是不应该的呀!这个包就是用的官方的API下载的,不应该和官网直接下载的数据量不一样啊!

于是我赶紧检查了一下。

首先是看这个query一共查到了几个文件:

tmp <- query$results[[1]]

# 查看查询到的文件夹名字这一列
head(tmp$id)

## [1] "00f55a16-0ee5-4939-8efb-de34e68d4ccd" "229e0c80-ada5-4fd3-8e93-a9bc1fac11a4"
## [3] "4b9b8b25-96e3-4667-8315-124711dcc1e0" "0ef12067-7e43-4d08-9374-a961430dd5ab"
## [5] "b9c1d14a-a169-4e73-a9c6-e884b005a160" "984e14e8-3272-4101-a1cb-81056eec7f8c"

# 一共177个
length(tmp$id)

## 177

也就是说我们通过代码的方式查询到了TCGA-READ一共177个文件!但是!网友下载的是91个!

我也赶紧去官网点点点看了一下,竟然也是91个!

太神奇了,难道是TCGAbiolinks包出问题了吗???

冷静思考之后,我把网页中Primary Site中的打勾去掉了,然后就一切归于平静:

只要不选择Primary Site中的选项,就和TCGAbiolinks包下载的数据完全一样!又试了其他几个癌种,都是一样的了!

果然我还是太年轻,没见过世面啊!

解决了这个小小的问题后,大家又可以愉快的只用2行代码解决表达矩阵的整理问题了!

接下来还是使用官网网页下载,然后自己新建指定文件路径,就可以用2行代码搞定表达矩阵了:

# 查询
query <- GDCquery(project = "TCGA-READ",
                  data.category = "Transcriptome Profiling",
                  data.type = "Gene Expression Quantification",
                  workflow.type = "STAR - Counts"
                  )

# 整理
GDCprepare(query,save = T,save.filename = "tcga_read.rdata")

|==========================================|100%    Completed after 14 s 
Starting to add information to samples
 => Add clinical information to samples
 => Adding TCGA molecular information from marker papers
 => Information will have prefix 'paper_' 
read subtype information from:doi:10.1038/nature11252
Available assays in SummarizedExperiment : 
  => unstranded
  => stranded_first
  => stranded_second
  => tpm_unstrand
  => fpkm_unstrand
  => fpkm_uq_unstrand
=> Saving file: tcga_read.rdata
=> File saved
class: RangedSummarizedExperiment 
dim: 60660 177 
metadata(1): data_release
assays(6): unstranded stranded_first ... fpkm_unstrand fpkm_uq_unstrand
rownames(60660): ENSG00000000003.15 ENSG00000000005.6 ... ENSG00000288674.1
  ENSG00000288675.1
rowData names(10): source type ... hgnc_id havana_gene
colnames(177): TCGA-AF-3911-01A-01R-1736-07 TCGA-DY-A1DC-01A-31R-A155-07 ...
  TCGA-AF-2692-11A-01R-A32Z-07 TCGA-EI-6882-01A-11R-1928-07
colData names(107): barcode patient ... paper_vascular_invasion_present
  paper_vital_status

全程不到1分钟即可完成,里面包含了fpkm/tpm/counts的表达矩阵、以及超级详细的临床信息!可以参考另一篇推文:超简单的表达矩阵提取。

舒服!

本文首发于公众号:医学和生信笔记

医学和生信笔记,专注R语言在临床医学中的使用,R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

分类:

其他

标签:

医学

作者介绍

阿越1229
V1

黄金矿工。