R批量下载B细胞和T细胞受体VDJ序列文件

作者: 生信交流平台 | 来源:发表于2020-12-16 21:44 被阅读0次

前面我们简单的介绍过免疫组库以及单细胞免疫组库的应用。今天给大家介绍一个做免疫组库数据分析很实用的数据库IMGT，以及如何使用R从IMGT批量下载B细胞和T细胞受体VDJ序列文件。

一、IMGT简介

IMGT （http://www.imgt.org/）是免疫遗传学（ImMunoGeneTics）的缩写，专注于所有脊椎动物物种的免疫球蛋白、T细胞受体（T-cell Receptors，TCR）和主要组织相容性复合体（major histocompatibility complex，MHC）的整合数据库。由Marie-Paule Lefranc、法国科学研究中心、法国蒙彼利埃第二大学发起并共同协调。IMGT包括两个数据库：LIGM-DB（面向免疫球蛋白和TCR）和MHC/HLA-DB。IMGT由专家注释的序列和比对表组成。LIGM-DB包含了来自78种物种的超过19,000个免疫球蛋白和TCR序列。MHC/HLA-DB包含了I类和II类白血球抗原比对表。一个为免疫球蛋白、TCR和MHC序列比对而开发的IMGT工具DNAPLOT也是可用的。IMGT与EMBL数据库紧密合作。IMGT的目标是建立一个对所有免疫遗传学数据的通用访问，包括序列、寡核苷酸引物、基因图谱和免疫球蛋白、TCR和MHC分子的其他遗传数据，并提供一个图形化的用户友好的数据访问。IMGT将对医学研究（自身免疫病、爱滋病、白血病，淋巴瘤）、治疗方法（抗体工程学）、基因组多样性和基因组进化研究具有重要影响。

二、TCR和BCR VDJ序列批量下载

1.获取VDJ序列文件链接

我们这里以TCR VDJ序列为例，下载地址为

http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/TR/

一共也就10个文件，手点一点也就五六分钟。但是这不是小编的风格，小编是一个很“懒”的人，能用程序做的事情，绝不手动去做。从R如何提取，合并pdf文件这里你就可以看出来。

我们先观察一下这10个文件的链接有没有什么规律，目测应该只有文件名字不一样，前面的网址应该都是一样的。查看网页源代码，果然是这样的。这里采用了相对路径，因为都放在服务器的同一个文件夹下面，所以这里的href只显示了文件名字。疫情地图DIY—网页背后的数据一文中就给大家展示过如何抓取网页数据，怎么看网页源代码。

这样就很容易了

我们只需要获取这10个文件的名字，然后跟前面网址

http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/TR/

贴起来就可以用循环来下载文件了。

那么怎么获取这10个文件的名字呢？也很容易，前面我们讲过通过剪贴板在R和Excel之间移动数据，那么我们可以先把这个网页上的内容贴到Excel表中，选取B列，copy，然后在通过scan函数读到R中备用。

我们把这10个文件的名字读到file变量中

2.下载TCR VDJ序列文件

#创建文件夹
dir.create("TCR_seq")
#循环下载10个文件
for(TCR in file){
  out=paste("TCR_seq/",TCR,sep="")
  link=paste("http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/TR/",TCR,sep="")
  download.file(link,out)
  #休息5秒钟
  Sys.sleep(5)
}

一分钟之后你会发现这10个fasta文件就躺在TCR_seq文件夹中了。