TCGA数据库完整临床数据全部提取
时间:2017-08-15 来源:原创 作者:BioWolf
微信公众号:biowolf_cn 点击:次
| TCGA数据库33种主要癌症的数据已经可以获取了，有学员就会说，TCGA数据库本来就提供下载啊，有什么稀奇的？ 经过半年的下载与整理，33种的重要癌症的基本临床信息、完整临床信息、mRNA表达矩阵、lncRNA表达矩阵、miRNA表达矩阵，都已经统计完成，每位学员都可以获取，不用再苦逼的凌晨起来gdc下载数据，不用到处搜索如何提取临床数据，如何提取矩阵文件，如果你需要节省宝贵的时间做更加重要的研究，那么整理好的这些数据，可以直接用于后续的分析。 癌症数据： 1、基本临床数据 行名是样本代号，列名是临床信息（包含16列主要临床信息，一般的研究和临床统计是能够满足的），如图  2、完整临床数据 行名是样本代号，列名是临床信息（包含150列左右，具体列数每个癌症样本不一样，包含全部的临床信息），如图  3、mRNA表达矩阵 行名是gene symbol，列名是样本代号，如图  4、lncRNA表达矩阵 行名是lncRNA，列名是样本代号，如图  5、miRNA表达矩阵 行名是miRNA，列名是样本代号，如图  6、打包销售 包括基本临床数据、完整临床数据、mRNA表达矩阵、lncRNA表达矩阵、miRNA表达矩阵 购买方式： 1、加服务QQ:2749657388，联系客服，选择癌症类型，数据类型，确认价格。支持支付宝、微信付款；付款后百度网盘下载数据； 2、扫码付款，付款成功后加微信公众号，直接在输入框数据癌症类型、数据类型和付款金额，邮箱或者是QQ号，客服收到信息验证付款后，发送数据或者百度网盘下载地址。 癌症类型和数据类型参见下表：  癌症类型： 1、ACC 腺样囊性癌；2、BLCA 膀胱癌；3、BRCA 乳腺癌；4、CESC 宫颈鳞状细胞癌；5、CHOL 胆癌；6、COAD 结肠癌；7、DLBC 淋巴癌；8、ESCA 食管癌；9、GBM 脑癌；10、LGG 脑癌；11、HNSC 头颈部鳞癌；12、KICH 嫌色细胞癌；13、KIRC 肾透明细胞癌；14、KIRP 乳头状肾细胞癌；15、LAML 骨髓癌；16、LIHC 肝癌；17、LUAD 肺腺癌；18、LUSC 肺鳞状细胞癌；19、MESO 胸膜癌；20、OV 卵巢癌；21、PAAD 胰腺癌；22、PCPG 肾上腺癌；23、PRAD 前列腺癌；24、READ 直肠癌；25、SARC 软组织癌；26、SKCM 皮肤癌；27、STAD 胃癌；28、TGCT 睾丸癌；29、THCA 甲状腺癌；30、THYM 胸腺癌；31、UCEC 子宫内膜癌；32、UCS 子宫癌；33、UVM 眼癌 正常的工作流程本来是这样的： 1、进入TCGA的官网，选择研究相关的癌症类型，下载Clinical临床、Transcriptome Profiling中的Gene Expression Quantification、miRNA Expression Quantification的Metadata、Manifest文件，下载TCGA数据库提供的gdc下载工具； 2、利用gdc工具，在本地CMD环境数据下载命令：gdc-client.exe download -m gdc_manifest.txt，下载临床原始数据、基因表达数据、miRNA表达数据，其中临床数据是.xml的网页文本文件，基因表达数据是每个样本一个压缩包，miRNA表达数据是每个样本一个压缩包；  3、以宫颈鳞状细胞癌CESC为例，临床数据下载下来是307个文件夹，每个文件夹里有一个.xml文件，保存着一个样本的临床数据，需要想办法把这307个文件夹的307个.xml文件提取到一个exl文件里面，提取的临床数据一般都只包含一部分信息，为了获得完整的临床数据，很多学员想尽办法也没能成功； 4、CESC的基因表达包括307个文件，每个文件里面是一个压缩包，每个压缩包保存了一个.txt文件，这个.txt文件就保存着一个样本的表达信息。需要把307个压缩包提到一个文件夹中，使用压缩软件，把307个压缩包解压，得到307个.txt文件，再用提取脚本，把基因的表达矩阵提取出来；  5、基因矩阵提取出来之后，会发现TCGA用的GENE ID是Ensembl ID，所以需要把Ensembl ID转换成symbol ID，这一步又难倒了不少学员，当然教程生信自学网也有，可以去学习，现在Ensembl官方下载Ensembl的数据库，对照Ensembl数据库和基因矩阵，用脚本检索替换，得到symbol ID的矩阵； 6、基因矩阵包含mRNA和lncRNA以及其他一些基因，需要把mRNA和lncRNA分离出来，利用脚本提取mRNA和lncRNA的矩阵； 7、CESC的miRNA表达数据包括307个文件夹，每个文件夹包括一个.txt文件，这个.txt文件就保存了一个样本的miRNA表达信息，需要把307个.txt文件提取到一个文件夹内，用脚本提取这307个文件的表达信息，保存在一个exl文件里面。  看到这样的流程，估计还没开始操作，很多学员就惊叹了。不用惊讶，这样的分析步骤已经是大神级别，普通学员可能在研究如何下载TCGA数据，就花费了半个月的时间，每天都在搜索如何下载临床数据，如何下载基因表达数据。下载下来之后，一看傻眼了，怎么都是这样的，还能不能给人好好继续研究了。 从此刻起，这一切的烦恼都过去了，你本应该话更多时间做研究的，而不是花太多精力研究如何下载和提取临床信息，矩阵文件，后续的差异分析，生存分析，Cox分析，共表达分析才是TCGA数据挖掘的核心。当基本临床信息、完整临床信息、mRNA表达矩阵、lncRNA表达矩阵、miRNA表达矩阵都可以直接获取，你节省的不只是时间，还有科研进度，一步领先，步步领先，GEO数据库研究的现状就是TCGA数据库的未来，这个是发展的必然。 (责任编辑：伏泽 微信：18520221056) 
|
- 上一篇：TCGA数据库数据类型速查
- 下一篇：TCGA构建Cox比例风险回归模型