生信加临床数据（生信分析解读TCGA肿瘤数据库的肿瘤数据）

生信加临床数据（生信分析解读TCGA肿瘤数据库的肿瘤数据）AE库中的Metadata数据还包括两种类型的数据phenoData，featureData，其实它们存的就是样品数据的一些描述信息，比如分组，取样部位，样品名，注释信息等。现在的问题是，什么样的文件里会存着我们需要的样本文档名（"file_name"）以及TCGA 样本名（"entity_submitter_id"），想想自己下载的数据里，有一个Metadata数据，这个数据其实在ArrayExpress数据库中也有，这个数据库的数据存储结构是一个`ExpressionSet`类包含下面几部分：打开长长的文档看一下数据形式，依次是:到此，肾透明细胞癌患者的miRNA表达数据下载就完成了。我们了解了数据的格式之后，还需要对这些独立的文件夹做一件事，就是将他们整理成表达矩阵的格式，然后用于后面的分析，这就需要对TCGA数据进行处理，主要包括：

上一期我们讲了一下怎么下载TCGA数据库的肿瘤数据，接着上节所讲的，我们来解读一下这些数据。

了解数据格式

我们一共下载了616个关于肾透明细胞癌的file，下载下来的miRNA表达量都是每个样本一个文件夹，格式如下:

打开上面其中一个文件夹看看数据的形式：里面是一个.txt文档，

但有些文件夹里含有三个文档：logs 2个.txt文档。我们只需要每个文件夹下的名字特别长的那个.txt文档，这个里面就是每个样本的miRNA表达量数据。

打开长长的文档看一下数据形式，依次是:

• miRNA_ID：miRBase v21数据库中收录的miRNA名称 1881个；
• read_count：miRNA原始reads数，用于表达定量；
• reads_per_million_miRNA_mapped：每百万reads中来自于该miRNA的reads数，简称RPM；
• cross-mapped：miRNA是否比对到多个位置；

到此，肾透明细胞癌患者的miRNA表达数据下载就完成了。

整理数据

我们了解了数据的格式之后，还需要对这些独立的文件夹做一件事，就是将他们整理成表达矩阵的格式，然后用于后面的分析，这就需要对TCGA数据进行处理，主要包括：

• 1、多个样本表达值合并：即只需要将每个文件夹下的文本列（read_count列）合并即可。
• 2、对合并好的数据，需要将样本名替换成类似TCGA-ID 的格式 如：TCGA-B2-5633-01A-01R-A27D-13。（了解一下TCGA的命名规则：https://blog.csdn.net/qq_35203425/article/details/80851862）

现在的问题是，什么样的文件里会存着我们需要的样本文档名（"file_name"）以及TCGA 样本名（"entity_submitter_id"），想想自己下载的数据里，有一个Metadata数据，这个数据其实在ArrayExpress数据库中也有，这个数据库的数据存储结构是一个`ExpressionSet`类包含下面几部分：

AE库中的Metadata数据还包括两种类型的数据phenoData，featureData，其实它们存的就是样品数据的一些描述信息，比如分组，取样部位，样品名，注释信息等。

那么我们从TCGA库下载的Metadata数据也存放的是类似于AE库的样品的一些信息等。

下面来看看从TCGA库下载的Metadata数据长啥样：这是我下载的数据文件夹，里面有metadata数据。

metadata是以.json作为后缀类似文本的文件，刚才说了它里面记着每个样本在数据库中描述信息等。

我们打开来认识一下这个文件：

1、我用notepad 打开的文件如下，分号之前是每个属性，分号后是属性值，例如 "data_type": "miRNA Expression Quantification" 表示下载的是miRNA表达数据。

2、我一共下载了616个file的miRNA表达数据的信息，它们的描述信息全部都被记录在metadata文件中，我们需要知道样本与样本之间是怎么识别的，在上面的图片中，我用蓝色的方框圈出来了，两个背对着的花括号 "，"表示两个样本间的识别符。

3、找到任意一个样本文件夹可以对应metadata数据中的属性值。

通过以上两个属性值我们可以在metadata数据中找到它对应的TCGA 样本名（"entity_submitter_id"）为 ："TCGA-B8-5549-01A-01R-1540-13"。

616个file每一个都有对应的TCGA 样本名，我们可以批量操作进行提取。

现在会下载数据以及解读metadata里的数据关系了，下期我们来解决文章提出的两个问题：

• 将每个样本的miRNA表达量进行合并；
• 同时更改样本名；

也就是提取每个样本的原始read_count值，或者RPM值，然后再修改样本名，透漏一下合并之后最终格式如下：（部分数据，TCGA 样本名太长了，没显示全啊）。