b.limour.top/source/_posts/tcga-一-获取数据.md

---

title: TCGA (一) 获取数据 tags: [] id: '770' categories:

• - 生物信息学
• - 组织测序分析 date: 2021-09-24 00:28:13 ---

第一步 安装程辑包并加载

options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
BiocManager::install("TCGAbiolinks")

# 加载响应的包，默认已经安装好TCGAbiolinks包
library(TCGAbiolinks)
library(plyr)
library(limma)
library(biomaRt)
library(SummarizedExperiment)

第二步 查看癌症类型

TCGAbiolinks:::getGDCprojects()$project_id

癌症类型说明：癌症类型和样本代号详解TCGA

第三步 查看对应癌症的数据类型

TCGAbiolinks:::getProjectSummary('TCGA-PRAD') # 以前列腺癌为例

case_count为病人数，file_count为对应的文件数，"Transcriptome Profiling"表示表达谱

“如何玩转生物大数据”系列：TCGA的样本注释信息和数据类型统计

1）转录组数据（Transcriptome）
2）甲基化数据（Methylation）
3）基因突变数据（Mutation）
4）拷贝数变化数据 （CNV）

手把手教你 TCGA 数据库使用：以肝癌为例

TCGAbiolinks包下载TCGA数据进行表达差异分析-乳腺癌案例

（4）workflow.type
该数据类型有很多种，根据data.type的不同而不同，不同的数据类型，有其对应的参数可供选择。比如Gene Expression Quantification数据类型下workflow.type 有4种类型分别为：
HTSeq - FPKM-UQ：FPKM上四分位数标准化值
HTSeq - FPKM：FPKM值/表达量值
HTSeq - Counts：原始count数
STAR - Counts
具体可在GDC官网查看
（5）legacy
这个参数主要是因为TCGA数据有两个入口可以下载，GDC Legacy Archive 和 GDC Data Portal，区别主要是注释参考基因组版本不同分别是：GDC Legacy Archive（hg19和GDC Data Portal（hg38）。参数默认为FALSE，下载GDC Data Portal（hg38）。这里建议是，下载转录组层面的数据使用hg38，下载DNA层面的数据使用hg19，因为比如做SNP分析的时候很多数据库没有hg38版本的数据，都是hg19的。

第四步 下载对应数据

query <- GDCquery(project = 'TCGA-PRAD',
                  data.category = "Transcriptome Profiling",
                  data.type = "Gene Expression Quantification", 
                  workflow.type = "HTSeq - Counts")

第五步 保存对应数据

# 配置数据路径
root_path = "~/zlliu/R_data/TCGA"
 
# 配置结果保存路径
output_path = root_path
if (!file.exists(output_path)){dir.create(output_path)}
 
# 设置工作目录，输出文件将保存在此目录下
setwd(output_path)
getwd()

GDCdownload(query = query)
saveRDS(query,'TCGA-PRAD.rds')