本人生物信息菜鸟一枚，第一次自己提取TCGA编码蛋白和lncRNA表达谱。
数据准备及介绍
利用简易
TCGA
下载工具，下载胶质瘤数据（表达谱数据）
双击所要选择的癌症（默认选择原发癌和癌旁正常组织）
单击重新检索按钮下载资源列表，并根据下载资源列表选择下载数据类型
点击下载，选择路径，开始下载任务
通过合并文件按钮将单个文件合并生成矩阵
数据每一列代表一个ENSG_ID，每一列代表一个样本
在
ensembol
数据库下载数据
选择
人体蛋白质序列
，数据大体内容如下
> ENSP00000487941.1 pep chromosome：GRCh38：7：142786213：142786224：1基因：ENSG00000282431.1转录本：ENST00000632684.1 gene_biotype：TR_D_gene transcript_biotype：TR_D_gene gene_symbol：TRBD1描述：T细胞受体β多样性1 [来源：HGNC符号; ACC：HGNC：12158]
GTGG
数据包含
ENSP_ID
，染色体位置，
ENSG_ID，ENST_ID，gene_symbol，gene_biotype，
空格分隔
从中提取
ENSG_ID，ENST_ID，gene_symbol，gene_biotype
制成表格，用于以后比提取。
数据处理与结果
获取蛋白质基因列表
进口
重
def
findlabel（line，opt，beg）：
STR1 =行[line.find（优化）：LEN（线）]
如果
str1.find（
''
）> -
1
：
str1 = str1 [beg：str1.find（
''
）]
否则
：
STR1 = STR1 [求：LEN（STR1）]
return
str1.strip（）
def
searchprotein（）：
file1 =
'D：/Homo_sapiens.GRCh38.pep.all.fa'
f = open（file1，
'r'
）
线= f.readlines（）
f.close（）
list1的= []
用于
线
在
线路：
line = line.rstrip（
'\ n'
）.strip（）
如果
line.find（
'>'
）==
0
：
enst = findlabel（行，
'ENST'
，
0
）
ensg = findlabel（线，
'基因：'
，
5
）
type1 = findlabel（line，
'gene_biotype：'
，
13
）
gene_symbol = findlabel（line，
'gene_symbol：'
，
12）
list1.append（（ensg，ENST，TYPE1，gene_symbol））
fw = open（
'D：/protein_ID.txt'
，
'w'
）
＃
写文件
为
升
在
列表1：
fw.write（
'\
t'.join（
l）+
'\ n'
）
fw.close（）
如果
__name__ ==
'__main__'
：
searchprotein（）
形成文件
获取蛋白质表达谱：
def
getprotein（）：
file1 =
'D：/protein_ID.txt'
f = open（file1，
'r'
）
＃
读取文件
线= f.readlines（）
蛋白1 = []
用于
线
在
线路：
行= line.rstrip（）。带（）
pro = line.split（
'\ t'
）[
0
]
如果
亲们
没有在
蛋白1：
在最末尾添加
lnc中的
protein1.append（pro）
＃
返回
蛋白质1
def
getproteinExpre（）：
蛋白1 = getprotein（）
file1 =
'D：/Merge_matrix.txt'
f = open（file1，
'r'
）
线= f.readlines（）
f.close（）
fw = open（
'D：/proteinexp.txt'
，
'w'
）
用于
线
在
线路：
