上周收到一条求助信息:“如何用TCGA数据库分析LINC00152在卵巢癌与正常组织的的表达差异?”
所以以这个题目为例记录分析过程如下:
一、下载数据
a)进入网站https://cancergenome.nih.gov/ 网页截图如下:
b)进入数据下载 Launch Data Portal ,截图如下:
进入数据下载接口后,有Projects Exploration Analysis Repository 四个栏目,我们数据下载可进入Repository菜单栏,截图如下:
网页分成左右两边,左边主要是提供用户数据选择和过滤的窗口,右边是根据用户的选择后显示及其统计结果。左边选择分为 Cases 和 Files两大类。
根据我们的研究,目的是要看LINC RNA在卵巢癌和正常组织的表达差异,所以我们在左边的栏目的Cases下选择Ovary,在Files 下选择 RNA-seq ,这些选项选择完毕,会出现上面的那张截图
c)下载路径文件
选好文件后,如上图将文件加入购物车,截图如下:
然后点击右上角的Cart,出现如下截图:
点击Sample sheet之后,包含所需文件目录的.tsv文件gdc_sample_sheet.2018-05-22.tsv就可以下载了,放到对应的目录下。
用NotePad打开文件如下:
d) 在linux下批量下载文件
将该文件放在linux的 /home/zdwu/rnaseq/11_source_data 目录下,并在该目录下批量下载数据,代码如下:
cat gdc_sample_sheet.2018-05-22.tsv | while read line do echo https://portal.gdc.cancer.gov/files/${line:1:(36-1)}/${line:37:(89-37)} wget -c https://portal.gdc.cancer.gov/files/${line:1:(36-1)}/${line:37:(89-37)} -O ${line:169:(184-169)} done
下载完毕后查看文件如下:
用如下命令,确认文件个数是否完整,完整后数据备用。
ls -l | grep "A-" | wc -l
二、数据分析