TCGA数据下载推荐:R语言easyTCGA包

#使用easyTCGA获取数据
#清空
rm(list=ls())
gc()
# 安装bioconductor上面的R包
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
if(!require("BiocManager")) install.packages("BiocManager")
if(!require("TCGAbiolinks")) BiocManager::install("TCGAbiolinks")
if(!require("SummarizedExperiment")) BiocManager::install("SummarizedExperiment")
if(!require("DESeq2")) BiocManager::install("DESeq2")
if(!require("edgeR")) BiocManager::install("edgeR")
if(!require("limma")) BiocManager::install("limma")
# 安装cran上面的R包
if(!require("survival")) install.packages("survival")
if(!require("broom")) install.packages("broom")
if(!require("devtools")) install.packages("devtools")
if(!require("cli")) install.packages("cli")
#devtools::install_github("ayueme/easyTCGA")
library(easyTCGA)
help(package="easyTCGA")
setwd("F:\\TCGA\\TCGA-COAD")
#下载mRNA、lncRNA和临床信息
COAD<-getmrnaexpr("TCGA-COAD")#原始下载的count, TPM, FPKM 均没有经过log2转化
#下载miRNA
COAD_miRNA<-getmirnaexpr("TCGA-COAD")
#下载copy number variation data
COAD_cnv<-getcnv("TCGA-COAD")
#下载masked somatic mutation 体细胞突变
COAD_snv<-getsnvmaf("TCGA-COAD")
#下载DNA methylation beta value 甲基化数据
getmethybeta("TCGA-COAD")
#从下载目录中打开数据
#差异分析
diff<-diff_analysis(exprset=mrna_expr_counts,#没有经过log2转化
              project="TCGA-COAD",
              save=F)

#批量生存分析
surv<-batch_survival(
  exprset=mrna_expr_counts,
  clin=clin_info,
  is_count = T,
  optimal_cut = TRUE,
  project="TCGA-COAD",
  save_data = FALSE,
  min_sample_size = 5,
  print_index = TRUE
)

#突变分析:瀑布图
#BiocManager::install("maftools")
library(maftools)
maf<-read.maf(snv,clinicalData=clin_snv)
plotmafSummary(maf)
colnames(clin_snv)
oncoplot(maf=maf,
         clinicalFeatures=c("ajcc_pathologic_stage","vital_status"),
         top=10,
         sortByAnnotation=T
)
#绘制KM曲线
dim(mrna_expr_counts)
set.seed(123)
colnames(clin_info)
clin<-data.frame(time=clin_info$days_to_last_follow_up,
                 event=clin_info$vital_status)
clin$event<-ifelse(clin$event=="Alive",0,1)
plot_KM(exprset=mrna_expr_counts, 
        marker="CHPF", #基因
        clin=clin, 
        optimal_cut = TRUE, 
        return_data = TRUE)
#正常和癌症组织基因表达对比箱线图
rownames(mrna_expr_counts)
plot_gene_paired(exprset=mrna_expr_counts, 
                 marker="CHPF", #基因
                 return_data = TRUE)
#比较组间基因表达差异
set.seed(123)
group=sample(c(0,1),524,replace = T)
plot_gene(exprset=mrna_expr_counts, 
          marker=c("CHPF","MAOA"), 
          group=group, 
          return_data = TRUE)
相关推荐
布说在见4 小时前
层次与网络的视觉对话:树图与力引导布局的双剑合璧
信息可视化·数据挖掘·数据分析
spssau10 小时前
多分类logistic回归分析案例教程
分类·数据挖掘·数据分析·回归·回归分析·logistic回归·spssau
我就说好玩12 小时前
2020年美国总统大选数据分析与模型预测
大数据·python·数据挖掘·数据分析·pandas·sklearn
Aloudata13 小时前
在全域数据整合过程中,如何确保数据的一致性和准确性
大数据·数据库·人工智能·数据挖掘·数据分析
安静的_显眼包O_o14 小时前
【机器学习】连续属性离散化与sklearn.preprocessing.KBinsDiscretizer
数据挖掘·数据分析
叫我:松哥14 小时前
基于python多准则决策分析的汽车推荐算法设计与实现
python·算法·数据挖掘·数据分析·汽车·推荐算法
LDG_AGI15 小时前
【人工智能】Transformers之Pipeline(二十二):零样本文本分类(zero-shot-classification)
大数据·人工智能·python·深度学习·机器学习·数据挖掘
有梦想的Frank博士15 小时前
R语言*号标识显著性差异判断组间差异是否具有统计意义
开发语言·信息可视化·r语言
Yeats_Liao16 小时前
昇思大模型平台打卡体验活动:基于MindSpore实现GPT1影评分类
gpt·分类·数据挖掘
武子康18 小时前
大数据-209 数据挖掘 机器学习理论 - 梯度下降 梯度下降算法调优
大数据·人工智能·深度学习·算法·机器学习·数据挖掘