TCGA数据库是一个包括33种癌的各个组学的数据库。我们通过TCGA数据库可以观察每个人的基因表达的变化；甲基化的变化；拷贝数的变化；以及他们的临床信息。

DNA甲基化 (DNA methylation) 是一类发生在胞嘧啶5号位碳原子上、可稳定遗传的表观修饰，在动、植物基因组中广泛存在。不同组织和细胞内的DNA甲基化的建立和模式 (DNA methylation patterns) 对基因调控、转座子沉默及基因印记至关重要。长时间以来，基因组上每个位点上以及不同组织或细胞内的DNA甲基化模式是如何被调控的，是表观遗传学的一个亟待回答的基本问题。

MEXPRESS(https://mexpress.be/)是一个可视化TCGA数据库当中患者的临床信息—甲基化—表达之间之间关系的数据库。进哥以前做甲基化分析一直很依赖这个工具，但是最近，突然这个网站打不开了，也不知道后续会不会恢复。无奈之下，只能另寻他法。众所周知，一个基因上有多个甲基化探针，所以甲基化数据及其大，为了分析单个基因下载全部甲基化数据太亏了。因此，进哥选择从xena browser上下载单个基因甲基化数据，再利用R语言绘图分析。

第一步：数据下载

https://xenabrowser.net/ 点击Visualization

另一个文件是450k甲基化芯片的注释信息，包含每个甲基化探针的位置等信息，可以从GEO或xena下载：illuminaMethyl450_hg38_GDC.txt

第二步：可视化基因组位置（启动子TSS区和基因body内）

library(trackViewer) #主要画图包
methy <- read.delim("denseDataOnlyDownload.tsv")  ##读取Xena下载的数据
anno <- read.delim("illuminaMethyl450_hg38_GDC.txt")  ##读取甲基化芯片注释信息
ddd <- anno %>% plotly::filter(X.id %in% colnames(methy))
SNP <- ddd$chromStart
sample.gr <- GRanges("chr17", IRanges(ddd$chromStart, width=1, names=ddd$X.id)) # 设置棒棒图位置
library(biomaRt)
entrez=c("GAPDH")
mart <- useEnsembl(biomart = "ensembl", 
                   dataset = "hsapiens_gene_ensembl")
goids = getBM(attributes = c('hgnc_symbol', 'chromosome_name',"start_position","end_position","strand"), 
              filters = 'hgnc_symbol', 
              values = entrez, 
              mart = mart)

if (goids$strand== -1){
  features <- GRanges("chr17", IRanges(c(goids$start_position,goids$end_position+1), # 设置block起使位置
                                       width=c(goids$end_position-goids$start_position, 2000), # 设置block 的长度
                                       names=c("Gene","TSS"))) # 设置名字
  features$fill <- c("black","red") #块的颜色
}else{
  features <- GRanges("chr17", IRanges(c(goids$start_position-2001,goids$start_position), # 设置block起使位置
                                       width=c(2000, goids$end_position-goids$start_position), # 设置block 的长度
                                       names=c("TSS","Gene"))) # 设置名字
  features$fill <- c("red","black") #块的颜色
}
sample.gr$color <- sample.int(length(SNP), length(SNP)) #棒子上面的球的颜色
sample.gr$border <- sample(c("grey60", "grey50"), length(SNP), replace=TRUE) #棒子的颜色
sample.gr$alpha <- 0.6   #设置透明度0-1之间,sample是生成100-200之间的随机数
sample.gr$cex <- 0.5

# sample.gr$label <- "C" #球内的字符
# sample.gr$label.col <- "black" #球内的标签的颜色

# features$height <- c(0.02, 0.05, 0.04) #块的高度
# sample.gr$score <- sample.int(4, length(sample.gr), replace = TRUE) #设置球的数量
lolliplot(sample.gr, features,yaxis = F,ylab = F) #yaxis设置不显示y轴

第三步：相关性分析

results <- psych::corr.test(methy$ENSG00000111640.13,methy[3:(ncol(methy)-1)])
results <- rbind(data.frame(results[["r"]]),data.frame(results[["p"]])) %>% t() %>% as.data.frame()
colnames(results) <- c("cor","p")
r.cut <- 0.3

results$color <- ifelse(results$cor> r.cut,"red",ifelse(results$cor < -r.cut,"green","black"))
results$label <- ifelse(results$p > 0.05,"",ifelse(results$p >0.01,"*",ifelse(results$p>0.001,"**","***")))

sample.gr <- GRanges("chr17", IRanges(ddd$chromStart, width=1, names= paste(ddd$X.id,results[ddd$X.id,]$label))) # 设置棒棒图位置
sample.gr$border <- sample(c("grey60", "grey50"), length(SNP), replace=TRUE) #棒子的颜色
sample.gr$alpha <- 0.6   #设置透明度0-1之间,sample是生成100-200之间的随机数
sample.gr$cex <- 0.5

sample.gr$color <- results[ddd$X.id,]$color #棒子上面的球的颜色
sample.gr$label.col <- "black" #球内的标签的颜色

# features$height <- c(0.02, 0.05, 0.04) #块的高度
# sample.gr$score <- sample.int(4, length(sample.gr), replace = TRUE) #设置球的数量
lolliplot(sample.gr, features,yaxis = F,ylab = F) #yaxis设置不显示y轴