tcga数据下载_TCGA数据挖掘(二):数据下载与整理
关于TCGA数据库中的数据下载,我们之前有介绍过R语言下载包:R语言TCGA-Assembler包下载TCGA数据,同时在介绍数据库的使用教程中也介绍了在线下载以及官方下载工具下载:TCGA数据库使用教程。在线下载以及官方下载工具下载的数据是分开的,每个样本的数据的独立的,需要自己合并,这需要会R,Python 或者 perl 等编程语言(文末补充内容介绍)。
这里我们先介绍TCGAbiolinks包下载数据。因为这个包下载的数据是合并好的,不需要整理。
TCGAbiolinks下载TCGA数据
在第一讲我们介绍TCGAbiolinks包的时候,介绍了GDCquery这个函数,这是下载数据时要用到的函数,除此以外,我们还需要GDCdownload函数。GDCdownload函数使用GDC API或GDC传输工具下载GDC数据,用户可以使用查询参数查询的数据将保存在一个文件夹中:project/data.category。函数的整体框架为:
GDCdownload(query, token.file, method ="api", directory ="GDCdata",files.per.chunk =NULL)
各个参数介绍如下:
query:这个参数就是来自GDCquery的结果。
token.file:这个是下载受限的文件(仅适用于method=“client”),一般下载用不到。
method:使用API (POST方法)或gdc客户端工具。选择“api”,“client”。API更快,但是下载过程中数据可能会损坏,可能需要重新执行。
directory:下载数据的存放目录/文件夹。默认:GDCdata。
files.per.chunk:这将使API方法一次只下载n个(files.per.chunk)文件。当数据量过大时,可能会下载出错,可设置files.per.chunk参数减少下载问题。值为整数,即可将文件拆分为几个文件下载,如files.per.chunk = 6。
下面是一个下载数据的案例:
query <- GDCquery(project ="TCGA-ACC",data.category ="Copy number variation",legacy = TRUE,file.type ="hg19.seg",barcode = c("TCGA-OR-A5LR-01A-11D-A29H-01","TCGA-OR-A5LJ-10A-01D-A29K-01"))
# 数据将被保存在 GDCdata/TCGA-ACC/legacy/Copy_number_variation/Copy_number_segmentation
GDCdownload(query, method ="api")
## Not run:# 从XML下载临床数据
query <- GDCquery(project ="TCGA-COAD", data.category ="Clinical")GDCdownload(query, files.per.chunk = 200)
query <- GDCquery(project ="TARGET-AML",data.category ="Transcriptome Profiling",data.type ="miRNA Expression Quantification",workflow.type ="BCGSC miRNA Profiling",barcode = c("TARGET-20-PARUDL-03A-01R","TARGET-20-PASRRB-03A-01R"))
# 数据将被保存在:# example_data_dir/TARGET-AML/harmonized/Transcriptome_Profiling/miRNA_Expression_Quantification
GDCdownload(query, method ="client", directory ="example_data_dir")
acc.gbm <- GDCquery(project = c("TCGA-ACC","TCGA-GBM"),data.category ="Transcriptome Profiling",data.type ="Gene Expression Quantification",workflow.type ="HTSeq - Counts")
总之,TCGAbiolinks包下载数据很简单,首先得明确自己要的是什么数据,通过GDCquery函数获取后,关于GDCquery请认真去学习上一讲:TCGA数据挖掘(一):TCGAbiolinks包介绍。对GDCquery了解后,再利用GDCdownload函数下载。这里说的相当简单,但聪明的人应该已经明白了。当然,我们后续的数据分析教程中还会更详细的介绍。
对于下载数据的分析可能会因自己的研究方向有所不同,有做甲基化的,有做SNP的等等,可以不用掌握全部,只需要会自己研究方向的即可,其他的做个了解,自己需要的时候,再学也不迟。
当然,我们后面会介绍一下常用的分析。
数据下载补充:数据整理
TCGAbiolinks包下载的数据是合并了的,不需要整理。在线下载或者官方工具下载的数据是分开的。我们介绍一下在线下载以及官方下载工具下载的数据怎么合并,这里用的是perl脚本,没有安装perl的可去官网:http://www.perl.org/get.html自行下载安装。这里你不需要懂perl语法,只需要知道DOS命令行的使用即可,脚本文末获取。
在线下载以及官方下载工具下载的数据是这样的。每一个文件夹是每个样本的数据,而且文件夹的名称和样本的barcode还不一致。
![](http://img-01.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic4.zhimg.com/v2-736ec2d85297e928cc28e3576a749ca7_b.jpg)
每一个文件夹里面的数据都是压缩包:
![](http://img-03.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic1.zhimg.com/v2-eb9e966424b84cfea373ba537e36c968_b.png)
所以我们需要整理,要整理这些数据,首先我们在网页上筛选数据的时候,同时也要下载metadata这个文件。
![](http://img-03.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic3.zhimg.com/v2-51fc8017b1f0cfcfc898633d4b760812_b.jpg)
下载metadata文件、数据文件以及脚本文件putFilesToOneDir.pl和mRNA_merge.pl在同一个文件夹。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic3.zhimg.com/v2-cdf85e943586b632ddeadd02c558ac82_b.jpg)
打开dos窗口,进入文件目录,键入:perl putFilesToOneDir.pl,回车。一会就会看见文件夹中多了一个files的文件夹,即我们将所有的数据都移动到了同一个文件夹下,当然,这个过程你可以手动。样本多的话,好像不科学。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic4.zhimg.com/v2-7c92d1b6d90e579da504a892a5a59f2f_b.png)
进入files文件夹,里面全是压缩包,我们需要解压。这个就真的可以手动,因为每个人安装的压缩软件可能不一样,写脚本的话可能会报错,所以全选,解压到当前文件夹,也不是很费事。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic4.zhimg.com/v2-d94f2a2761c59b74cf917dd1cf1c8e43_b.jpg)
下载metadata文件和perl脚本文件mRNA_merge.pl复制到files文件夹。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic2.zhimg.com/v2-4f4c970f578535f472b4931ab66bbf2d_b.jpg)
dos命令窗口下进入files文件夹,键入:perl mRNA_merge.pl metadata.cart.2016-06-22T05_18_51.550750.json,然后回车。等待时间与数据量有关。
运行结束后,在dos窗口会显示运行结果。normal count: 4;tumor count: 178,这里自己记下这2个参数,后面做分析的时候可能用到。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic3.zhimg.com/v2-35c42a3049a3402dad24c3b6c31f3792_b.jpg)
同时在files文件夹下生成了一个矩阵文件。这个文件我们后面做数据分析的时候可能会用到。
![](http://img-03.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic2.zhimg.com/v2-b8c2df8a6aa3f4728aa70f38ea5b6da5_b.png)
这里需要说明的是,这个脚本只适用于mRNA的Counts的数据。不适用于其他类型的数据。
扫码关注,后台回复:TCGA-mRNA_merge,领取案例文件和脚本文件。
![](http://img-02.proxy.5ce.com/view/image?&type=2&guid=54c15d97-1d2a-eb11-8da9-e4434bdf6706&url=https://pic3.zhimg.com/v2-94e5740a1b84252eb9ba872dcef084c6_b.jpg)
tcga数据下载_TCGA数据挖掘(二):数据下载与整理相关推荐
- 大数据业务:数据沉淀、数据挖掘和数据可视化
数据沉淀.数据挖掘和数据可视化 数据沉淀 数据挖掘 数据呈现 此文 摘自 多智时代 对于数据业务,按照我们的理解,简单将其分为三块:数据沉淀.挖掘和可视化,每一块分别对应不同的模式及产品或服务.(数据 ...
- python大数据工程师 培训_大数据工程师学习之路
大数据的作用:发现过去事件的特征 预测未来 最优化选择 职位划分:数据产品经理 数据分析师->商业敏感性,产品经理的助手 数据研发工程师 数据挖掘工程师/数据科学家 需要准备的技术知识: Lin ...
- python读excel中数据画图_python读取excel数据并且画图的实现示例
一,要读取的数据的格式: 二,数据读取部分: b站视频参考:https://www.bilibili.com/video/BV14C4y1W7Nj?t=148 # 1930 workbook=xlrd ...
- 人工智能大数据,公开的海量数据集下载,ImageNet数据集下载,数据挖掘机器学习数据集下载...
人工智能大数据,公开的海量数据集下载,ImageNet数据集下载,数据挖掘机器学习数据集下载 ImageNet挑战赛中超越人类的计算机视觉系统 微软亚洲研究院视觉计算组基于深度卷积神经网络(CNN)的 ...
- 人工智能大数据,公开的海量数据集下载,ImageNet数据集下载,数据挖掘机器学习数据集下载
人工智能大数据,公开的海量数据集下载,ImageNet数据集下载,数据挖掘机器学习数据集下载 ImageNet挑战赛中超越人类的计算机视觉系统 微软亚洲研究院视觉计算组基于深度卷积神经网络(CNN)的 ...
- android学习(二十一) 下载数据减少电池损耗
高效的网络访问(优化下载) 使用无线网络下载数据是你的应用消耗电池潜在的重要原因之一.为了降低和网络有关的activity连接导致的电池消耗.你理解你的连接模型怎样影响无线硬件这是很关键的. 下面将介 ...
- AI Challenger 全球AI挑战赛[二]——场景分类比赛介绍(附数据集和基线模型百度云下载)
AI Challenger 全球AI挑战赛 场景分类 [ 2017 ] 传送门 目的:寻找一个更鲁棒的场景分类模型,解决图片的角度.尺度.和光照的多样性问题 一.比赛介绍 赛题简介 移动互 ...
- Python项目实践之二:下载数据(CSV和JSON )
Python项目实践之二:下载数据(CSV和JSON ) 下载数据的可视化着重点在于从网上下载数据进行分析后,进行可视化处理,网上的数据格式多的难以置信,且大多未经过仔细检查,如果能够对这些数据进行分 ...
- 速度收藏 | 100+篇大数据、数据分析、数据挖掘电子书免费下载!
全部都是电子书,根据书名点击进去即可进入下载页面,不用谢我,请叫我"雷锋" SQL电子书 SQL必知必会 R语言电子书 <R语言实战> <R语言与统计建模> ...
最新文章
- 使用微信的JS-SDK实现自定义分享到微信朋友圈
- UVa OJ 120
- java代码优化_java代码之美(11)---java代码的优化
- 终于收到为广州.NET俱乐部活动准备的礼品了:)
- H5|web移动前端自适应适配布局解决方案
- java steam 去重_Java中对List去重, Stream去重
- foregroundservice的用处和用法
- Arcgis Android API开发之离线地图
- PHP获取本月当月,起始结束日期
- web运维:跨域(NGINX跨域配置为例)
- uniapp移动端实现pdf预览
- BAT批处理文件 一键开启卓越性能电源计划方案
- MySQL死锁分析与解决之路
- html中写switch,switch语句使用
- 华为联运游戏审核驳回:在未安装或需更新HMS Core的手机上,提示安装,点击取消后,游戏卡屏(集成的6.1.0.301版本游戏SDK)
- 7.计算机系统包括,windows7分几个版本_windows7有哪些版本
- [软件安装] 动态图像录制工具LICEcap
- 【机器学习】对数线性模型之Logistic回归、SoftMax回归和最大熵模型
- 聊一聊我在移动平台混合开发的经验
- java blackjack card game_Java BlackJack Game Ace值
热门文章
- 【有点狂的手撕STL】STL源码剖析精读 000
- java五子棋的报告_Java五子棋实现报告
- 传智书城项目MySQL表格_传智书城项目资源汇总 - 下载 - 搜珍网
- oracle时间 格式代码出现两次,小时值必须介于 1 和 12 之间
- http相关知识 - (2)状态管理 - session
- [WorldWide_D幻想乡♂模拟赛][JZOJ4599]西行妖
- oh-my-zsh,让你的Linux命令终端从未这么爽过
- skimage transform SimilarityTransform 使用记录
- python3 eval安全替代函数ast.literal_eval的区别
- Android系统开发常识