【生信训练营-1】用R玩转TCGA大数据

从2015年开始，全世界掀起了一股“精准医疗”的狂潮，癌症基因组测序迅速成为生物医学行业关注的焦点。其实，早在“精准医疗”口号响起之前，美国人已经做了很多癌症基因组测序的工作，鼎鼎大名的就属TCGA（The Cancer Genome Atlas）。

幻灯片1.jpg

TCGA上的数据量庞大，数据种类丰富，分析方法复杂，并不是所有人都能轻松下载、管理和分析这些数据。对于大部分研究人员来说，从如此海量的原始测序数据开始分析是不可行也是不必要的。实际上，我们可以下载经过预处理后的数据（pre-processed data），不仅数据量会小很多，分析起来也更快、更可靠。Broad institute开发的Firehose就能够提供这样的数据。

幻灯片2.jpg

有TCGA的大数据做基础，也有Firehose为我们做好前期的处理工作，现在就缺一个“搜索引擎”。今天就给大家介绍一个这样的利器：RTCGAToolbox

幻灯片3.jpg

RTCGAToolbox是Bioconductor上的一个软件包，它的作用就是查询、下载和组织TCGA Firehose的数据，还提供一些简单的数据分析和可视化工具。除此之外，下载好的数据也可以很方便的导入到Bioconductor的其他分析流程中。对于R用户来说，所有的TCGA数据分析工作（从数据下载一直到可视化图表）都可在一个pipeline中完成，能够极大地提高工作效率。RTCGAToolbox的基本工作流程如下：

幻灯片5.jpg

下面就简单介绍一下如何用RTCGAToolbox分析TCGA数据：

1. 首先，我们可以用getFirehoseDatasets函数查看Firehose上所有的肿瘤类型，从中选择我们感兴趣的数据。Firehose的数据有很多版本，每个版本都是用分析日期做为标记，所以在下载之前，可以使用getFirehoseRunningDates和getFirehoseAnalyzeDates函数来查询一下有哪些可供下载的版本。一般我们都会选择最新的版本，当我们要重复别人的结果时，最好选择一样的版本。

2. 接下来，我们要选择下载什么类型的数据（临床数据，基因表达，CNV，DNA甲基化等等），RTCGAToolbox目前支持绝大部分Firehose的数据：

   
   幻灯片4.jpg

3. 当确定了上述所有的信息后，只需要把它们作为getFirehoseData函数的参数就可以轻松开始下载你所需要的数据了。

4. 下载后的数据会以文本文件的形式存放在当前工作目录下，同时，函数会返回一个S4的对象，该对象包含了所有已经下载的数据，后续的分析只需要处理这一个对象就可以了，非常方便。当你下次再执行getFirehoseData的时候，如果当前工作目录下的文件还在，它就直接读入，不会再去重新下载，考虑的非常周到。

RTCGAToolbox提供了5个基本的数据分析工具：

1. 差异表达分析（比较肿瘤和正常组织的基因表达量），根据不同的平台（RNA-Seq或Microarray），自动选择适合的工具
2. 拷贝数和基因表达量的相关性分析
3. 基因突变率分析
4. 生存分析
5. 可视化报告

下面是RTCGAToolbox输出的一些图：

幻灯片6.jpg

其实这5个工具是远远不够的（而且图画的也很难看），但是不用担心，Bioconductor环境下有非常多的统计分析和可视化工具供你选择。

我推荐RTCGAToolbox的原因有2点：

1. 通过一个函数自动完成所有数据下载的工作（包括下载，解压，读入文件，删除压缩文件），极为方便
2. 读入的TCGA数据被自动封装在一个S4的对象中，我们可以通过各种接口来轻松的访问它内部的数据，一个有条理的数据组织结构可以大大提高程序的可读性和可维护性

对R的面向对象编程不熟悉的同学可以继续关注Rapp公众号的生信训练营，我将会介绍更多的Bioconductor包，在这个过程中，大家会慢慢习惯用面向对象的思维方式来分析数据。

今天的介绍结束了，但是训练营才刚刚开始，赶快动手操作一下RTCGAToolbox吧！

qrcode.jpg