0.背景
關(guān)于樣本id和分組信息：TCGA的樣本id里藏著分組信息
TCGA數(shù)據(jù)庫(kù)的表達(dá)矩陣是按照樣本來組織的斯议，而臨床信息是按照病人來組織的默终。
*病人數(shù)量與樣本數(shù)量并非一一對(duì)應(yīng)
原因挺多的吐辙，我羅列了一下：
1.有的病人有tumor流部、normal兩個(gè)樣本塞淹，有的病人只有tumor一個(gè)樣本。 2.有的病人會(huì)取兩個(gè)及以上tumor樣本，比如一個(gè)原發(fā)一個(gè)轉(zhuǎn)移，或者一個(gè)冷凍樣本一個(gè)石蠟包埋航背。 3.有的病人沒有被記錄臨床信息（少，但真的有） 4.有的臨床信息表格里的病人沒有RNA-seq樣本
前三個(gè)都好理解棱貌，第四個(gè)可能有點(diǎn)懵逼玖媚。這是因?yàn)門CGA是多組學(xué)數(shù)據(jù)庫(kù)，同一個(gè)癌癥都是同一幫病人婚脱，不管分析什么組學(xué)數(shù)據(jù)今魔，臨床信息都是一樣的，所以那些沒有RNA-seq樣本但有其他組學(xué)的樣本的病人障贸，也有臨床信息错森。
2.解決的思路
1.以病人為中心，如果找臨床信息是為了生存分析用篮洁，那么可以剔除normal樣本涩维，tumor樣本去重。得到的是每個(gè)病人的臨床信息袁波，樣本與病人一一對(duì)應(yīng)瓦阐，不存在重復(fù)。
2.以樣本為中心锋叨，如果不想去重垄分，就把臨床信息表格加上一列樣本id，即以樣本為中心娃磺，得到的是每個(gè)樣本的臨床信息薄湿。每個(gè)病人會(huì)有一個(gè)或多個(gè)樣本。
3.代碼實(shí)現(xiàn)
2.1示例數(shù)據(jù)
我放在tinyarray包里了偷卧，安裝好了包就能使用示例數(shù)據(jù)豺瘤。
if(!require(tinyarray))devtools::install_github("xjsun1221/tinyarray")
library(tinyarray)
exp_hub1[1:4,1:4]
## GTEX-S33H-1226-SM-4AD69 GTEX-VJYA-0826-SM-4KL1M TCGA-FB-A545-01
## CXCL8 34.00041 50.99857 1341.029
## FN1 591.01914 960.00492 137998.164
## COL3A1 2226.94824 3682.08761 177553.205
## ISG15 125.00175 135.00350 1784.980
## GTEX-ZF3C-2026-SM-4WWB5
## CXCL8 388.9918
## FN1 5218.1531
## COL3A1 15621.0916
## ISG15 513.9898
meta1[1:4,1:4]
## sample event X_PATIENT time
## 216 TCGA-3A-A9IO-01A 0 TCGA-3A-A9IO 1942
## 172 TCGA-US-A774-01A 1 TCGA-US-A774 695
## 128 TCGA-HZ-A49H-01A 0 TCGA-HZ-A49H 491
## 37 TCGA-FB-A4P5-01A 1 TCGA-FB-A4P5 179
exp_hub1不只這一個(gè)用處，里面有一些gtex樣本听诸，可以去掉坐求，其實(shí)留著也沒事。
library(tidyverse)
k = str_starts(colnames(exp_hub1),"GTEX");table(k)
## k
## FALSE TRUE
## 183 167
exp = exp_hub1[,!k]
table(make_tcga_group(exp))
##
## normal tumor
## 4 179
可以看到有四個(gè)正常樣本晌梨。
我寫成函數(shù)了桥嗤，裝最新版本的tinyarray就能用了
3.2 以病人為中心
去掉正常樣本须妻，每個(gè)病人只保留一個(gè)腫瘤樣本。
match_exp_cl(exp,meta1[,2:4],"X_PATIENT",sample_centric = F)
dim(exp_matched)
## [1] 8 176
dim(cl_matched)
## [1] 176 4
table(make_tcga_group(exp_matched))
##
## normal tumor
## 0 176
3.3 以樣本為中心
不去重泛领，每個(gè)病人會(huì)保留一個(gè)或多個(gè)樣本荒吏。
match_exp_cl(exp,meta1[,2:4],"X_PATIENT")
dim(exp_matched)
## [1] 8 181
dim(cl_matched)
## [1] 181 4
table(make_tcga_group(exp_matched))
##
## normal tumor
## 4 177
想明白為什么表達(dá)矩陣有183列，病人卻只有176個(gè)了么 想明白為什么表達(dá)矩陣有183列渊鞋，匹配后卻只有181列了么
length(unique(str_sub(colnames(exp),1,12)))
## [1] 178
table(unique(str_sub(colnames(exp),1,12)) %in% meta1$X_PATIENT)
##
## FALSE TRUE
## 2 176
想明白了就回家吃飯吧~都是R語言技巧绰更，如果想看源代碼，可以在你的R里只輸入match_exp_cl锡宋，不寫括號(hào)儡湾，回車。
