一文学会ICGC数据库使用
更多数据库干货知识
私信我回复“数据库”即可免费领取哦
大家好，我是阿琛。俗话说，巧妇难为无米之炊。除了我们所熟知的TCGA数据库和GEO数据库，我们可以见到另一个强大的肿瘤研究数据库，即ICGC数据库。今天，我们一起来看下ICGC数据库的使用方法和部分数据清洗内容。
首先，简单介绍一下这个优秀的数据库。ICGC数据库（https://daco.icgc.org/），即国际肿瘤基因组协作组（International Cancer Genome Consortium），收集了50种不同癌症类型或不同亚型的肿瘤数据，其中包括基因表达数据，体细胞突变数据（单核苷酸突变和拷贝数变异），以及相关的临床数据等。当然，在ICGC数据集中，同样囊括了TCGA数据库和TARGET数据库中的相关数据。在使用过程中，我们往往把TCGA数据库分析得到的模型或者结论，使用ICGC数据库中的数据进行外部验证拓展。
下面，我们一起来看下ICGC数据库的使用方法。
1.ICGC表达数据的下载
首先，我们先来看下如何下载其中的数据。提醒一下，这个网站对网络可能会有一点点的要求，使用过程中耐心等待一下。
1.1 点击ICGCData Protal进入数据储存地址
1.2 点击DCC Data Release，查看数据更新版本信息
1.3 在此，我们可以看到不同时间更新的数据版本信息；在使用过程中，我们一般选择最新版本的数据来进行后续的分析。点击current，查看最新版本数据
1.4 点击project，进入数据集存储界面
在该页面，可看到其中包含的各个项目内容，根据研究的疾病类型及相关具体需求来进行选择；
接下来，我们选择其中一个数据集中的数据内容来进行接下来的演示和整理，来自韩国的乳腺癌数据集。
在该数据集中，包括基因表达exp_seq.BRCA-KR.tsv.gz，临床数据specimen.BRCA-KR.tsv.gz，Somatic突变数据simple_somatic_mutation.open.BRCA-KR.tsv.gz，以及一些其他的相关病史，包括家族史，手术史，接触史等等。下载基因表达文件和临床数据文件用于后续的分析使用。
2.基因表达数据清洗
在数据整理前，我们先来看看下载得到的基因表达文件。可以看到，该表达文件和我们以前常规使用的表达矩阵并不一样；其中，每一行都代表一个病人中一个基因的表达值。
同时，在临床数据中，展示了每个样品对应的患者来源（specimens）和组织样品类型（Type）。
接下来，我们将对这两个文件进行清洗，以得到平时使用的表达矩阵格式。
2.1 表达数据的提取
rm(list=ls()) #清空环境变量
options(stringsAsFactors = F)
library(data.table)
exp <- data.table::fread("exp_seq.BRCA-KR.tsv",data.table = F)
exp <- exp[,c(1,3,8,9)]首先，将exp_seq表达文件读取进来；由于文件相对较大，在此我们选择使用data.table包中的fread()函数来快速读取大文件内容。同时，根据需要，我们只提取包含样品信息和基因表达信息的列。可以看到，最终得到一个由1336550行组成的数据框。
head(exp)#查看样品数量
length(unique(exp$icgc_donor_id))随后，经统计，其中包含了50个不同的样品数量。
2.2 样品信息的读取
cli <- data.table::fread(file="specimen.BRCA-KR.tsv",data.table = F)
library(tidyverse)
cli_2 <- cli %>%
mutate(specimen_type = ifelse(specimen_type=="Primary tumour - solid tissue","C","N")) %>%
select(1,5,7)整理好表达数据后，我们接着对临床信息进行提取和整理。并且，根据样品的不同来源，我们分别对其重新命名，即肿瘤组（C）和正常组（N）。
str(cli_2)结果显示，一共包含100个不同的样品信息，其中spcimen_type为分组信息。
2.3 将两文件合并
exp_max <- merge(exp, cli_2, by="icgc_specimen_id",all.x=TRUE)根据icgc_specimen_id信息，使用merge()函数将表达文件和临床信息文件进行合并。
rt <- exp_max[,c(1,5,6,3,4)] %>%
unite(sample_id,icgc_specimen_id,icgc_donor_id.y,specimen_type,sep="-")随后，我们进一步使用unite()函数将几列信息内容合并成一列。其中，关于unit()函数的使用原理，与paste0()函数类似，只是前者针对多个列内容的合并。
2.4 构建表达矩阵
exp_matrix <- rt %>%
group_by(sample_id) %>%
mutate(id=1:n()) %>%
spread(sample_id,normalized_read_count) %>%
select(-"id")最后，使用spread()函数，将表达数据进行拆分，最终得到我们常见的表达矩阵格式。
##保存结果
write.table(exp_matrix, file = "ICGC.BRCA_KR.exp.txt", sep = "\t", row.names = F, quote = F)将最终得到的表达矩阵进行保存，即可用于后续分析使用。
这样，从数据的下载到清洗，整个步骤都完成了~接下来的分析使用，就可以参考测序数据的分析过程，快速进行差异分析，功能聚类等一系列的标准操作。
—END—