学习笔记总结于『生信技能树』马拉松课程

上一篇学习了怎么获取数据后，请将下载的文件放在工作目录下，下面开始代码学习环节

1.项目命名

TCGA的数据，统一叫TCGA-xxxx；非TCGA的数据随意起名

不要有特殊字符即可，文件名不能有空格，TCGA CHOL不行，TCGA-CHOL可以

proj = "TCGA-CHOL"

2.读取和整理数据

2.1 表达矩阵

dat = read.table("TCGA-CHOL.htseq_counts.tsv.gz",
                 check.names = F,#不要检查列名。如果检查，列名会变，对后续有影响
                 row.names = 1,#将第一列作为行名。第一列一般会有文字，如果不将其作为行名，表达矩阵就会掺入文字
                 header = T#同理，否则表达矩阵会掺入文字
                 )
#读取表达矩阵的时候，不推荐data.table()因为不方便设置行名

读取文件的时候，不是每次都能用这个函数、这些参数，而要具体情况具体分析

range(dat)
dat = as.matrix(2^dat - 1)#逆转log，发现需要逆转，才逆转，否则不要运行这句代码

count的数值范围，正常范围在成千上万不等，为什么此处结果是0到24之间呢，因为整个表达矩阵被log了，于是我们需要逆转log（在文件的下载页面也有介绍表达矩阵是否被取了log）

dat[97,9]
as.character(dat[97,9])
# 转换为整数矩阵
exp = round(dat)
# 检查
as.character(exp[97,9])

log后，还有一个坑需要注意：眼见不一定为实，要用代码检查。看似整数但不是整数，所以要转换成整数

2.2 临床信息

一般情况其实用不上临床信息，此处是按照惯例读取进来了。（不过有的临床信息包含了分组，这个可能有用）

clinical = read.delim("TCGA-CHOL.GDC_phenotype.tsv.gz")
clinical[1:4,1:4]

3.表达矩阵行名ID转换

library(tinyarray)
exp = trans_exp_new(exp)#小洁老师写的函数，任何以ensemble ID为行名的表达矩阵，都可以用这个函数直接转换；损失不到30%甚至50%的ID都没关系
exp[1:4,1:4]

4.基因过滤

需要过滤那些，在很多样本里表达量都为0或者表达量很低的基因。过滤标准不唯一

# 过滤之前基因数量：