icgc数据搜索方式：
image.png
根据路径一步一步点下来，最后会到这个界面
一共需要下载三个文件
（1）donor.tsv.gz 里面包含生存信息
（2）exp_seq.tsv.gz 里面包含表达矩阵
（3）specimen.tsv.gz 里面包含样本来自肿瘤还是癌旁

第一次接触ICGC，我的思路大概是这样的（我是为了比较肿瘤异质性，所以normal样本不在我的考虑范围内）：
首先根据specimen里面的信息提取肿瘤样本的specimen_ID，然后在exp里根据specimen_ID找到对应的donor_ID，提取生存信息，最后整理表达矩阵，提取三者公共的部分进行下一步研究。

（一）安装R包

  1. library(readr)
  2. library(dplyr)
  3. library(tidyverse)
  4. library(tibble)

（二）提取癌症的specimen_ID & donor_ID

因为第一次搞，对这个数据库还不熟悉，做的有点复杂了
这一部分就是说，有的病人提供了不止一个样本，还提供了癌旁样本，但是做生存分析不需要癌旁的，所以必须要把肿瘤的specimen_ID提取出来，但是生存信息的文件里只有donor_ID，所以我干脆把这俩都提取了出来，然后在生存文件和表达矩阵里取子集（有点绕，多想想）

  1. disease = "KIRC"
  3. specimen = read_tsv('icgc/specimen.RECA-EU.tsv.gz')
  4. specimen_ID = specimen[specimen$specimen_type == "Primary tumour - solid tissue",]$icgc_specimen_id
  5. exp = read_tsv('icgc/exp_seq.RECA-EU.tsv/exp_seq.RECA-EU.tsv')
  6. exp = exp[exp$icgc_specimen_id %in% specimen_ID,]
  7. donor_ID = unique(exp$icgc_donor_id)
  9. donor = read_tsv('icgc/donor.RECA-EU.tsv.gz')
  10. donor = donor[donor$icgc_donor_id %in% donor_ID,]
  11. donor = donor[,c("icgc_donor_id",
  12.                  "donor_vital_status",
  13.                  "donor_survival_time")]
  14. donor = column_to_rownames(donor, "icgc_donor_id")
  15. length(unique(exp$icgc_donor_id)) 
  16. as.numeric(table(exp$icgc_donor_id))

（三）表达矩阵整理

icgc是长矩阵的形式储存信息，所以基因都保存到了一列，要把它们整理为常见的形式，无脑运行下面的

  1. exp = exp[,c("icgc_donor_id", "gene_id", "normalized_read_count" )]
  2. exp = exp %>% group_by(icgc_donor_id, gene_id) %>% 
  3.   summarise_all(max) %>% 
  4.   pivot_wider(names_from = "icgc_donor_id", values_from = "normalized_read_count") %>%
  5.   summarise_all(function(x){ifelse(is.na(x),0,x)})

（四）基因ID转换

老生常谈了

  1. library(org.Hs.eg.db)
  2. gene_symbol = select(org.Hs.eg.db,
  3.                 keys = exp$gene_id,
  4.                 columns = "SYMBOL",
  5.                 keytype = "ENSEMBL")
  6. gene_symbol = na.omit(gene_symbol)
  7. exp = exp[match(gene_symbol$ENSEMBL, exp$gene_id),]
  8. exp$gene_id = gene_symbol$SYMBOL
  9. exp = exp[!duplicated(exp$gene_id),]
  10. exp = tibble::column_to_rownames(exp, "gene_id")

（五）临床信息

我用ICGC只是为了做验证，所以只提取了生存结局和时间两列

  1. cl = donor[match(colnames(exp),rownames(donor)),]
  2. colnames(cl) = c("status", "time")
  3. cl$status = ifelse(cl$status == "alive", 0, 1)
  5. save(exp, cl, file = paste0("icgc/", disease, "_exp_cl.Rdata"))

第一次整理ICGC，不敢打包，以后熟悉了，再补上~
一步一步下来，应该不会错
多用table检查一下呗~