[R]下载的RNASeq矩阵基因表达量的处理

在UCSC xena 下载TCGA的RNASeq的数据，注意看页面的unit写的单位，一般是log2(count+1)之类的。如果要转换成count值，那么需要：2^矩阵-1，就转换成真实count的值

例子：

UCSC下载KIRC转录组数据：

https://xenabrowser.net/datapages/?dataset=TCGA.KIRC.sampleMap%2FHiSeqV2&host=https%3A%2F%2Ftcga.xenahubs.net&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443

还要注意矩阵的行名，也就是基因名有没有重复。

genes <- rownames(GeneMat)

GeneMat1 <- GeneMat[which(!duplicated(genes)),]

即可去除重复的基因的行。

ENSG基因名字问题：

一个ENSG编码对应一个基因，注意有些编号带有小数点，应该是版本。例如：ENSG00000223972.5，有时要注意版本号问题，不过我们在注释时，可以考虑去除小数点，只保留前面的编号。

ensg <- sapply(strsplit(Table$id,"[.]"),"[[",1)

Table$id为R的向量，strsplit(Table$id,"[.]")得到一个list，每个元素第一个为ENSG编号（小数点前），ensg为去除了ENSG编号小数点的向量

稀疏矩阵输出表格问题：

将稀疏矩阵选择部分基因作为基因表达矩阵输出表格：write.table(ChoGeneExpMat,file="xxx.geneexp.xls",sep="\t",quote=FALSE)

出现报错：

Error in as.data.frame.default(x[[i]], optional = TRUE) :

  cannot coerce class ‘structure("dgeMatrix", package = "Matrix")’ to a data.frame

解决方法：write.table(as.matrix(ChoGeneExpMat),file="xxx.geneexp.xls",sep="\t",quote=FALSE)