49G的TCGA数据库给你下载好啦

Posted on by

昨天我们生信技能树分享了 TCGA数据库免疫相关文件下载大全，里面给出来了2018年4月Immunity杂志上发表的文章The Immune Landscape of Cancer 整理好的49G的TCGA数据库文件，其中一个是甲基化信号值矩阵，单个文件就39G。
大量粉丝留言表示基本上在中国大陆是无法下载的，希望我们生信技能树好人做到底，帮忙下载整理好。
通常呢，这样的要求我是拒绝的， 比较绝大部分粉丝都是白嫖，一分钱不花，从来没有看到他打赏，但是提起要求来绝不含糊。就跟疫情期间那些耀武扬威的海外党，平时不交社保医保，这个时候想回国白嫖我们纳税人撑起来的医疗资源！我们不答应！

不过，生信技能树有一个宝藏男孩，唐医生，人如其名，偏向虎山行，用他的128G内存服务器，加上特殊手段，下载完了49G的TCGA数据库文件。而且还帮你把单个文件就39G甲基化信号值矩阵按照癌症拆分了，处理过程非常精彩。

下面是唐医生投稿的教程：

读取39G甲基化信号值矩阵按照癌症拆分

处理数据步骤 安装包

rm(list = ls())
options(stringsAsFactors = F)
###安装必须的包
if(!require('tidyverse')) install.packages('tidyverse')
if(!require('data.table')) install.packages('data.table')

读取甲基化矩阵数据

#######读取甲基化数据############# 另外也可以尝试使用vroom包中vroom函数读取
methy1<-data.table::fread('~/Desktop/jhu-usc.edu_PANCAN_HumanMethylation450.betaValue_whitelisted.tsv')
methy1[1:5,1:5]

这个时候不同读取代码速度不一样，但是39G甲基化信号值矩阵仍然是服务器级别的计算机才能hold住的哦。
耗时不一样
千万不要使用最基础的文件读取函数哦！

TCGA 官网下载全部甲基化样本sample-sheet信息

TCGA 官网摸索教程，我们这里不细说了，下载如下信息：
image-20200317172156281
把从gdc 下载官网全部甲基化的sample sheet信息读入R进行处理。

sam<-read_tsv('/home/ftp/gdc_sample_sheet.2020-03-17.tsv')%>%
 mutate(barcode=substr(`Sample ID`,1,12))%>%
 dplyr::select(project=`Project ID`,barcode)
head(sam)

sample sheet信息文件如下：
sample sheet信息
构建甲基化样本注释信息

samp<-data.frame(sample=colnames(methy1),barcode=substr(colnames(methy1),1,12))%>%
 dplyr::filter(row_number()!=1)%>%
 left_join(.,sam,by='barcode')
head(samp)

批量分割提取数据

splitdata<-function(i=1){
tcga_type<-unique(samp$project)
barcode<-dplyr::filter(samp,project==tcga_type[i])###提取单个肿瘤的barcode
methy450<-dplyr::select(methy1,V1,barcode$sample) ##按sample id 提取单个肿瘤
save(methy450,file = paste0(tcga_type[i],'_methy450.Rdata')) ###按肿瘤类型分别保存
}
lapply(1:33,splitdata) # 精彩

拿到的文件如下：
新鲜出炉的甲基化信号值矩阵文件
用同样的方法，也可以分割提取的pan cancer RNA-seq数据集！

这些文件都存储在百度云啦

如果你确实有需要，而唐医生也耗费了好几个小时做了这些工作，有必要稍微设置一下门槛！链接是：https://pan.baidu.com/s/1eI95uJC8tzDSbxdCkvrDog
但是密码需要付费6元才能查看哦！(文末付费)

文末友情宣传

强烈建议你推荐给身边的博士后以及年轻生物学PI，多一点数据认知，让他们的科研上一个台阶：

​

Comments are closed.