GTEx(Genotype-Tissue Expression,基因型-组织表达)数据库,研究从来自449名生前健康的人类捐献者的7000多份尸检样本,涵盖44个组织(42种不同的组织类型),包括31个实体器官组织、10个闹分区、全血、2个来自捐献者血液和皮肤的细胞系,作者利用这些样本研究基因表达在不同组织和个体中有何差异。
GTEx对几乎所有转录基因的基因表达模式进行了观察,从而能够确定基因组中影响基因表达的特定区域。
此外,合并GTEx与TCGA数据库数据能够有效解决TCGA数据库中正常组织样本量不足的缺陷,从而提高比较的准确性。
前面代码是从完整表达数据开始整理,数据太大,没有必要,大家可以学习一下,针对单基因,代码在后面B站视频那一块,很方便!
1. 数据来源
- tcga_RSEM_gene_tpm.gz
- TCGA_phenotype_denseDataOnlyDownload.tsv.gz
- gtex_RSEM_gene_tpm.gz
- GTEX_phenotpye.gz
- gencode.v23.annotation.gene.probemap
- samplepair.txt(TCGA和GTeX sample信息)
(数据比较大,如果下载困难可以留言)
2. 注释来自 TCGA 和 GTEx 的样本
library(stringr)
library(dplyr)
library(ggplot2)
library(RColorBrewer)
library(data.table)
#################======= step1: clean GTEx pheno data =======#################
gtex <- read.table("samplepair.txt",header=T,sep='\t')
tcga_ref <- gtex[,1:2]
gtex$type <- paste0(gtex$TCGA,"_normal_GTEx")
gtex$sample_type <-"normal"
gtex <- gtex[,c("TCGA","GTEx","type","sample_type")]
names(gtex)[1:2] <- c("tissue","X_primary_site")
gp <- read.delim(file="GTEX_phenotype.gz",header=T,as.is = T)
gtex2tcga <- merge(gtex,gp,by="X_primary_site")
gtex_data <- gtex2tcga[,c(5,2:4)]
names(gtex_data)[1] <- "sample"
#write.table(gtex_data,"GTEx_pheno.txt",row.names=F,quote=F,sep='\t')
#################======= step2: clean a TCGA pheno data =======#################
tcga <- read.delim(file="TCGA_phenotype_denseDataOnlyDownload.tsv.gz",header=T,as.is = T)
tcga <- merge(tcga_ref,tcga,by.y="X_primary_disease",by.x="Detail",all.y = T)
tcga <- tcga[tcga$sample_type %in% c("Primary Tumor","Solid Tissue Normal"),]
tcga$type <- ifelse(tcga$sample_type=='Solid Tissue Normal',
paste(tcga$TCGA,"normal_TCGA",sep="_"),paste(tcga$TCGA,"tumor_TCGA",sep="_"))
tcga$sample_type <- ifelse(tcga$sample_type=='Solid Tissue Normal',"normal","tumor")
tcga<-tcga[,c(3,2,6,5)]
names(tcga)[2] <- "tissue"
#write.table(tcga,"tcga_pheno.txt",row.names = F,quote=F,sep='\t')
#################======= step3: remove samples without tpm data =======############
gtex_exp <- fread("gtex_RSEM_gene_tpm.gz",data.table = F)
gtexS <- gtex_data[ gtex_data$sample%in%colnames(gtex_exp)[-1],]
tcga_exp <- fread("tcga_RSEM_gene_tpm.gz",data.table = F)
tcgaS <- tcga[tcga$sample %in%colnames(tcga_exp)[-1],]
tcga_gtex <- rbind(tcgaS,gtexS)
write.table(tcga_gtex,"tcga_gtex_sample.txt",row.names = F,quote=F,sep='\t')
3. 提取感兴趣的基因
library(stringr)
library(dplyr)
library(ggplot2)
library(RColorBrewer)
library(data.table)
library(tibble)
rm(list = ls())
options(stringsAsFactors = FALSE)
target <- "YTHDC2"
idmap <- read.delim("gencode.v23.annotation.gene.probemap",as.is=T)
tcga_exp <- fread("tcga_RSEM_gene_tpm.gz",data.table = F)
gtex_exp <- fread("gtex_RSEM_gene_tpm.gz",data.table=F)
tcga_gtex <- read.table("tcga_gtex_sample.txt",sep='\t',header = T)
id <- idmap$id[which(idmap$gene==target)]
tcga_data <- t(tcga_exp[tcga_exp$sample==id,colnames(tcga_exp)%in%c("sample",tcga_gtex$sample)])
tcga_data <- data.frame(tcga_data[-1,])
tcga_data <- rownames_to_column(tcga_data,"sample")
names(tcga_data)[2] <- "tpm"
gtex_data <- t(gtex_exp[gtex_exp$sample==id,colnames(gtex_exp)%in%c("sample",tcga_gtex$sample)])
gtex_data <- data.frame(gtex_data[-1,])
gtex_data <- rownames_to_column(gtex_data,"sample")
names(gtex_data)[2] <- "tpm"
tmp <- rbind(tcga_data,gtex_data)
exp <- merge(tmp,tcga_gtex,by="sample",all.x=T)
exp <- exp[,c("tissue","sample_type","tpm")]
exp <- arrange(exp,tissue)
write.table(exp,"Merge gene expression/YTHDC2 expression.txt",row.names = F,quote=F,sep='\t')
4. 可视化基因表达
library(ggplot2)
library(ggpubr)
library(RColorBrewer)
rm(list = ls())
options(stringsAsFactors = FALSE)
exp <- read.table("Merge gene expression/YTHDC2 expression.txt",header=T,sep='\t')
ylabname <- paste("YTHDC2", "expression")
colnames(exp) <- c("Tissue", "Group", "Gene")
p1 <- ggboxplot(exp, x = "Tissue", y = "Gene", fill = 'Group',
ylab = ylabname,
color = "Group",
palette = c("#00AFBB", "#FC4E07"),
ggtheme = theme_minimal())
##计算每种肿瘤正常和肿瘤组织的样本量
count_N<-exp %>% group_by(Tissue, Group) %>% tally
count_N$n <- paste("n =",count_N$n)
##添加N = 到图中
p1 <-p1+geom_text(data=count_N, aes(label=n, y=-9,color=Group), position=position_dodge2(0.9),size = 3,angle=90, hjust = 0)+
theme(axis.text.x = element_text(angle = 45,hjust = 1.2))
#计算t检验显著性
comp<- compare_means(Gene ~ Group, group.by = "Tissue", data = exp,
method = "t.test", symnum.args = list(cutpoints = c(0,0.001, 0.01, 0.05, 1), symbols = c( "***", "**", "*", "ns")),
p.adjust.method = "holm")
#添加显著性标记
p2 <- p1 + stat_pvalue_manual(comp, x = "Tissue", y.position = 7.5,
label = "p.signif", position = position_dodge(0.8))
p2
#dev.off()
##保存图片
### pdf version
ggsave("figure/pancancer_Plot.pdf", width = 14, height = 5)
### png version
#png("figure/pancancer_Plot.png", width = 465, height = 225, units='mm', res = 300)
代码参考GitHub:https://github.com/cmutd/TCGA_GTEx
B站视频更新代码(从Xena下载的数据),其余代码一样(tcga_gtex.rda样本注释文件关注公众号下载,公众号二维码在导航栏:科研互助–>B站代码获取,发送tcga_gtex即可,网盘链接电脑浏览器打开即可下载,不需要下载客户端):
load("tcga_gtex.rda")
exp <- read.table("YTHDC2.tsv",header=T,sep='\t')
exp <- exp[c(1,3)]
exp <- merge(exp, tcga_gtex,by="sample")
colnames(exp)[c(2,3,5)] <- c("Gene","Tissue","Group")
ylabname <- paste("YTHDC2", "expression")
exp <- exp %>% plotly::filter(Gene != -9.966)
library(ggpubr)
p1 <- ggboxplot(exp, x = "Tissue", y = "Gene", fill = 'Group',
ylab = ylabname,
color = "Group",
palette = c("#00AFBB", "#FC4E07"),
ggtheme = theme_minimal())
##计算每种肿瘤正常和肿瘤组织的样本量
count_N<-exp %>% group_by(Tissue, Group) %>% tally
count_N$n <- paste("n =",count_N$n)
##添加N = 到图中
p1 <-p1+geom_text(data=count_N, aes(label=n, y=-9,color=Group), position=position_dodge2(0.9),size = 3,angle=90, hjust = 0)+
theme(axis.text.x = element_text(angle = 45,hjust = 1.2))
#计算t检验显著性
comp<- compare_means(Gene ~ Group, group.by = "Tissue", data = exp,
method = "t.test", symnum.args = list(cutpoints = c(0,0.001, 0.01, 0.05, 1), symbols = c( "***", "**", "*", "ns")),
p.adjust.method = "holm")
#添加显著性标记
p2 <- p1 + stat_pvalue_manual(comp, x = "Tissue", y.position = 7.5,
label = "p.signif", position = position_dodge(0.8))
p2
王老师,您好。我想请教下 tcga_RSEM_gene_tpm.gz 这个数据从哪儿下载的,如果我想换成count数据怎么办?
王博您好,你的这个教程十分受用,非常棒。我用同样的代码换个基因运行后出现一个问题,部分肿瘤正常组织箱式图的75%下限位于-10以下,图片中不显示出来。这个是什么原因呢?
您好,基因的表达太低,又有些缺失值,在这个数据里面也就是-9.9658,删掉看看
进哥能详细讲述一下文章开头处数据来源如何下载的吗?
XENA上下载的,也有链接,我B站上有更加方便的方法,就是最下面的视频,你看看先
您好,这个文件( samplepair.txt)在那儿里下载呀,我下载不下载fpkm值改成count值可以吗
谢谢!
您好,请问这里是否需要去除批次效应?
3大数据库超2万RNA-seq数据重新统一处理——关于TCGA-GTEx是否需要标准化 – 王进的个人网站
https://www.jingege.wang/2023/05/24/3%e5%a4%a7%e6%95%b0%e6%8d%ae%e5%ba%93%e8%b6%852%e4%b8%87rna-seq%e6%95%b0%e6%8d%ae%e9%87%8d%e6%96%b0%e7%bb%9f%e4%b8%80%e5%a4%84%e7%90%86-%e5%85%b3%e4%ba%8etcga-gtex%e6%98%af%e5%90%a6/
这里有解释过的,已经是处理过后的数据
博主,您好,我想问一下TCGA 和 GTEx 样本的TPM在做差异分析之前是否需要进行去批次效应,我这边进行去批次效应后表达出现了负值,无法进行后续分析
3大数据库超2万RNA-seq数据重新统一处理——关于TCGA-GTEx是否需要标准化 – 王进的个人网站
https://www.jingege.wang/2023/05/24/3%e5%a4%a7%e6%95%b0%e6%8d%ae%e5%ba%93%e8%b6%852%e4%b8%87rna-seq%e6%95%b0%e6%8d%ae%e9%87%8d%e6%96%b0%e7%bb%9f%e4%b8%80%e5%a4%84%e7%90%86-%e5%85%b3%e4%ba%8etcga-gtex%e6%98%af%e5%90%a6/
已经是去过批次的,另外有负值也是正常的 用的是log转化的数据
进哥您好,萌新一枚,请问我运行您视频第54行代码时提示Error in ggboxplot(exp, x = “Tissue”, y = “Gene”, fill = “Group”, ylab = ylabname, :
could not find function “ggboxplot”
请问是什么原因呢
解决啦,谢谢进哥
加载一下那个包library(ggpubr)
进哥您好,我运行您视频中得第54行时提示Error in ggboxplot(exp, x = “Tissue”, y = “Gene”, fill = “Group”, ylab = ylabname, : could not find function “ggboxplot”请问是什么原因呢
library(ggpubr)
加载一下包
您好,请问差异分析不是一般用counts数据么?为什么这里用的是tpm数据呢?
不是呀,Count是没有进行标准化的数据,对于Count,用DESeq2进行差异分析
如果获得的是TPM或FPKM,也可以用Limma进行差异分析
对于单个基因的分析,秩和检验或t检验都可以,这个针对你的分析要求决定,方法中说明即可
博主您好,想问一下评论里说的按肿瘤分割好的网盘链接在哪里呀?我似乎没有找到网盘的链接。
底下old comments
重新发一下:https://pan.baidu.com/s/17blyTZb-Kni8u9yqIsweyA?pwd=eqsp
提取码:eqsp
非常感谢
王博士您好,我想问一下如果那个样本信息是如何得到的呢?
您好,请问指的是这个吗?https://xenabrowser.net/datapages/?dataset=TCGA_GTEX_category.txt&host=https%3A%2F%2Ftoil.xenahubs.net&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443
您看一下
感谢您的回复~我想应该不是这个,是这个文件里面的信息samplepair.txt。
OK 这个可以自己下载每个癌症的样本信息 自己整合
请问网盘链接是被删除了么,没有看到
前面文件名上直接到xena的下载链接
请问一下,看您的数据用的tpm格式的,差异分析的时候不是一般用count值吗,为什么这里用了tpm呢。谢谢您的解答
请问,这些数据是从USCS上下载的吗,但是我看着说这上面数据更新比较慢,和tcga数据库比数据可能不一样
是的 存在滞后,如果一定需要最新数据进行分析,那就需要自行下载了
要如何把单一肿瘤的数据拆分出来
底下评论有网盘链接 我分割好的
博主,您好,我自己写代码分析了Gtex和TCGA数据库的数据。首先将二者转换成TPM数据类型,然后对二者分别进行了normalize,接着进行了去批次,最后是对数据进行了调整,绘制单基因泛癌表达。但得到的部分样本的表达量小于0,是负值。然后网上有幸搜到您的代码,自己运行了一遍,发现跑出来的结果和我的类似,也会有一部分样本的表达量为负值,这样的图觉得很奇怪。请问,这种情况应该怎么调整?
您好,如果使用的是log2转换之后的数据,必然会有负值,也就是TPM介于0-1的,这是正常的,而TPM本身不会有负值
实际TPM=0的经过log2(TPM+0.001)之后数值为-9.8.。。。如果不想纳入表达为0的 可以将这些数据删掉