|
做數(shù)據(jù)挖掘最有意思的地方并不在于最終挖到了什么，而是當(dāng)你試圖去了解你的數(shù)據(jù)時(shí)，不斷出現(xiàn)的驚喜和意外！ 兩期的科普： 兩期的基礎(chǔ)： 相信大家已經(jīng)對(duì)TCGA中的RNA數(shù)據(jù)有了一個(gè)初步的了解，可能很多小伙伴難以理解為啥還沒(méi)到講到后續(xù)數(shù)據(jù)分析？ 因?yàn)槿绻氵B自己手里的數(shù)據(jù)都不了解，往下做的意義在哪呢？等到得出錯(cuò)誤結(jié)論才想到是不是自己的數(shù)據(jù)哪里有問(wèn)題嗎？ 生信控可不推囫圇吞棗式的文章喲~ 我們?cè)ㄗh從GDC Legacy Archive上按平臺(tái)去下載TCGA數(shù)據(jù)，例如對(duì)于RNA表達(dá)數(shù)據(jù)，可選擇下載Hiseq或者GA測(cè)序平臺(tái)的數(shù)據(jù)，所以甚至可以忽略GDC Data Portal不用。但是，GDC Data Portal和GDC Legacy Archive中存儲(chǔ)的以及用戶所能下載到的數(shù)據(jù)還是有本質(zhì)區(qū)別的，所以如果GDC Legacy Archive中的數(shù)據(jù)不能滿足現(xiàn)在的需求，而必須轉(zhuǎn)向GDC Data Portal，或者新手就想從TCGA默認(rèn)的途徑去下載數(shù)據(jù)的時(shí)候，怎么辦？ 那就用GDC Data Portal，但是： 分析數(shù)據(jù)之前絕對(duì)不僅僅只有數(shù)據(jù)下載這一件事情需要去做！ 本期以COAD-RNA數(shù)據(jù)為例，帶大家來(lái)了解下從GDC Data Portal下載好數(shù)據(jù)后，在分析前需要注意什么！ 1、使用TCGAbiolinks從GDC Data Portal上下載FPKM-UQ數(shù)據(jù) 代碼見(jiàn)TCGA-RNA數(shù)據(jù)下載全攻略，結(jié)果文件如下： 60483個(gè)基因在521個(gè)樣本中的表達(dá)數(shù)據(jù) 注意樣本中有9個(gè)重復(fù)： 如上，分別是： TCGA-A6-2674-01A、TCGA-A6-2684-01A TCGA-A6-3809-01A、TCGA-A6-3810-01A TCGA-A6-5656-01A、TCGA-A6-5659-01A TCGA-A6-6650-01A、TCGA-A6-6780-01A TCGA-A6-6781-01A，所以實(shí)際去重后只能保留512個(gè)樣本。 重復(fù)樣本怎么處理，詳見(jiàn) TCGA樣本命名詳解！ 2、使用TCGAbiolinks從GDC Legacy Archive上下載Hiseq平臺(tái)的RSEM數(shù)據(jù) 代碼見(jiàn)TCGA-RNA數(shù)據(jù)下載全攻略，結(jié)果文件如下： 20502個(gè)基因在328個(gè)樣本中的表達(dá)數(shù)據(jù)，無(wú)重復(fù)樣本： 3、使用TCGAbiolinks從GDC Legacy Archive上下載GA平臺(tái)的RSEM數(shù)據(jù) 結(jié)果文件如下： 20502個(gè)基因在193個(gè)樣本中的表達(dá)數(shù)據(jù)，無(wú)重復(fù)樣本： 數(shù)據(jù)了解1： 所以GDC Data Portal中樣本總數(shù)（521）與GDC Legacy Archive中兩平臺(tái)樣本量（328+193）總和一致，那是不是就是兩平臺(tái)樣本的簡(jiǎn)單組合，類似COADREAD呢？ 看個(gè)文氏圖： 由上圖可知，對(duì)于COAD癌型，GDC Data Portal完全包含了GDC Legacy Archive中Hiseq平臺(tái)的樣本，包含絕大部分GA平臺(tái)的樣本，所以GDC Data Portal中的樣本并非GDC Legacy Archive中兩平臺(tái)測(cè)的樣本的簡(jiǎn)單加和，且除此之外，還有13個(gè)新樣本！ 所以這13個(gè)樣本到底是什么鬼？ 小編做了一個(gè)測(cè)試，如下： 總結(jié)來(lái)說(shuō)，GDC Data Portal中多出的樣本為一個(gè)患者重復(fù)測(cè)序的樣本（這個(gè)患者之前已經(jīng)在GDC Legacy Archive中用Hiseq或者GA平臺(tái)測(cè)過(guò)）！所以在GDC Data Portal中，對(duì)于同一患者，不僅有-01A和-01A的重復(fù)，還有-01B/C和-01A的重復(fù)，所以冗余比較大，而這些冗余樣本在后續(xù)分析前應(yīng)該去除！ 數(shù)據(jù)了解2： 既然GDC Data Portal中的樣本包含了兩種測(cè)序平臺(tái)，那到底有沒(méi)有因平臺(tái)差異而導(dǎo)致的批次效應(yīng)？ 其實(shí)，小編看到多數(shù)基于GDC Data Portal數(shù)據(jù)的文章中，都未提及平臺(tái)和批次效應(yīng)的問(wèn)題！當(dāng)然其中有例如肺鱗癌 (lung squamous cell carcinoma, LUSC)等多種癌型只有Hiseq平臺(tái)測(cè)的樣本，也有文章提到說(shuō)是從GDC Data Portal中下載的Hiseq平臺(tái)的數(shù)據(jù)，但實(shí)際并未排除GA測(cè)的樣本！ 所以要不要矯正批次效應(yīng)，還是要數(shù)據(jù)說(shuō)了算，只不過(guò)分析的人要認(rèn)真對(duì)待 # FPKM_UQ數(shù)據(jù)中屬于Hiseq平臺(tái)的患者數(shù)據(jù)： Hiseq_in_DataPortal = log2(D_coad_FPKM_UQ[,colnames(LH_coad)]+1) # FPKM_UQ數(shù)據(jù)中屬于GA平臺(tái)的患者數(shù)據(jù)： GA_in_DataPortal = log2(D_coad_FPKM_UQ[,intersect(colnames(D_coad),colnames(LG_coad))]+1) # 繪制PCA圖 可見(jiàn)，樣本按測(cè)序平臺(tái)有個(gè)比較明顯的區(qū)分，所謂的批次效應(yīng)( batch effect )，后續(xù)分析前必須要處理！否則得到的結(jié)論可能就是偏倚或者錯(cuò)誤的了哦~ 小編的建議： 1、如果能滿足需求，使用TCGAbiolinks下載GDC Legacy Archive的數(shù)據(jù)使用; 2、需要使用GDC Data Portal數(shù)據(jù)時(shí)，先確定自己要研究的癌型數(shù)據(jù)是否包含多平臺(tái); 3、如果含多平臺(tái)，則分別處理分析！ 不管是不是自己做分析，一定要引起重視哦！
|
|
|
