根據(jù)文章生信菜鳥團(tuán)：一文學(xué)會(huì)WGCNA分析所講：
WGCNA輸入數(shù)據(jù)的準(zhǔn)備，主要有兩個(gè)數(shù)據(jù)需要提前準(zhǔn)備好：
（１）是表達(dá)矩陣， 如果是芯片數(shù)據(jù)，常規(guī)的歸一化矩陣即可。如果是轉(zhuǎn)錄組數(shù)據(jù)，最好是RPKM值或者其它歸一化好的表達(dá)量。
（２）臨床信息或者其它表型，也就是樣本的屬性。
在前幾篇學(xué)習(xí)筆記里，我得到了TCGA數(shù)據(jù)庫里的count矩陣（整合gdc-client批量下載的文件），并且把它轉(zhuǎn)化成了FPKM（如何把從TCGA下載的HTseq count轉(zhuǎn)換成FPKM）?，F(xiàn)在要做的就是得到臨床信息了。
這里你需要進(jìn)入你之前TCGA下載的頁面：
之前，我們點(diǎn)擊了Download下載了count矩陣，點(diǎn)擊Metadata，下載了與count矩陣相對應(yīng)的一些信息，比如各種id，各種測序的信息?，F(xiàn)在需要另一個(gè)東西，就是上圖里的“clinical”。點(diǎn)擊它，選擇“JSON”格式：
根據(jù)生信菜鳥團(tuán)的講解：
臨床信息表型的dataframe需要自己制作，這個(gè)是學(xué)習(xí)WGCNA的基礎(chǔ)，本次實(shí)例代碼都是基于這兩個(gè)數(shù)據(jù)。至于如何做出上面代碼的兩個(gè)例子，取決于大家自己的項(xiàng)目。
所以可能每個(gè)人所需要的臨床信息不一樣，比如說肺癌，你可能會(huì)需要“smoke”的信息；或者口腔癌，你可能需要“alcohol”的信息。或者你想研究原發(fā)和復(fù)發(fā)的差異，那么你應(yīng)該關(guān)注treatment里的信息。我這里只是舉個(gè)例子，知道怎么提取信息，就可以為所欲為了。。。
這里我分成３個(gè)部分來說明，因?yàn)橄螺d完clinical的信息你會(huì)發(fā)現(xiàn)，臨床的樣品和測序的count樣品數(shù)是不一樣的，我查了一些文章，說是有個(gè)別patient樣品重復(fù)測序的情況。你需要分析這個(gè)樣品數(shù)的區(qū)別到底是什么。
從count矩陣對應(yīng)的metadata里提取信息（cancer or normal）
對于一個(gè)count矩陣來說，可能我們需要關(guān)注它的點(diǎn)在于，每一個(gè)樣品是來自tumor組織還是normal對照。
#載入FPKM矩陣
> a = read.csv("TCGA_HNSCC_count2FPKM.csv",header = TRUE, sep=",")
#養(yǎng)成隨時(shí)查看你生成的東西的好習(xí)慣
> View(a)
#發(fā)現(xiàn)第一列是基因名，把第一列設(shè)置成行名
> rownames(a) = a[,1]
#刪除第一列
> a = a[,-1]
根據(jù)metadata.json中的信息，對數(shù)據(jù)進(jìn)行分組cancer or normal :
#因?yàn)镕PKM矩陣的最后一列是基因長度，所以只要前546列樣品的信息
> b = a[,1:546]
#group_name: etc: TCGA-BB-4224-01A-01R-1436-07
> group_name=colnames(b)
#提取第１４，１５位字符，規(guī)則請看我前一篇筆記關(guān)于TCGA編號的規(guī)則
> group_name=substr(group_name,14,15)
#小于10的是cancer，大于10的是正常或癌旁
> group=ifelse(as.numeric(group_name)<10,1,0)
> group=factor(group,levels = c(0,1),labels = c('normal','cancer'))
#將分組存為一個(gè)data.frame
> group = as.data.frame(group)
> rownames(group) = colnames(b)
> head(group)
> colnames(group)
現(xiàn)在，我的group長這樣：
把FPKM矩陣的樣品名換成case_id,為了下面和臨床信息進(jìn)行比較：
> library(rjson)
#分別讀入兩個(gè)文件，metadata是和FPKM矩陣對應(yīng)的，clinical是臨床文件
> x = fromJSON(file='metadata.cart.2020-04-17.json')
> trait = fromJSON(file='clinical.cart.2020-04-17.json')
> n = ncol(b)
> case_id=rep(0,n)
> TCGA_id = rep(0,n)
> for(i in 1:n){
case_id[i]=x[[i]]$associated_entities[[1]]$case_id
TCGA_id[i]=x[[i]]$associated_entities[[1]]$entity_submitter_id
} #這里我從metadata里提取了case_id和TCGA的標(biāo)準(zhǔn)編號
> sample_matrix = data.frame(case_id = case_id, TCGA_id = TCGA_id)
> head(sample_matrix)
看一下我從metadata里提取的case_id和TCGA編號：
接下來把FPKM矩陣的樣品名換成case_id，這樣后面可以和臨床信息對應(yīng)上：
> colnames(b)=sample_matrix$case_id
> View(b)
把前面的group和case_id，TCGA_id合并起來：
> sample546_info <- cbind(group,sample_matrix)
> head(sample546_info)
上面就是從count矩陣對應(yīng)的metadata里提取的信息。
從臨床JSON文件里提取需要的信息
上面說了，每個(gè)人研究的重點(diǎn)不一樣，關(guān)注點(diǎn)也不一樣，所以一定要根據(jù)你的實(shí)際情況來選擇性的提取，不要盲目copy代碼。
比如我研究的cancer，它的原發(fā)部位會(huì)有不同，那么我就想提取臨床信息里的case_id，腫瘤分期，以及腫瘤的起始部位,并把它們存成一個(gè)dataframe：
> m = length(trait)
> clinic_case_id=rep(0,m)
> stage=rep(0,m)
> tumor_origin_site = rep(0,m)
> for (i in 1:m){
clinic_case_id[i] = trait[[i]]$case_id
stage[i] = trait[[i]]$diagnoses[[1]]$tumor_stage
tumor_origin_site[i] = trait[[i]]$diagnoses[[1]]$tissue_or_organ_of_origin
}
> clinic_info = data.frame(case_id= clinic_case_id, tumor_stage = stage,tumor_origin = tumor_origin_site)
> head(clinic_info)
> rownames(clinic_info)
> colnames(clinic_info)
看一下從臨床JSON文件里提取的信息：
NOTE:我下載的clinical文件只有501個(gè)樣品，而FPKM樣品數(shù)是546個(gè)。有些文章說可能存在同一個(gè)病人的樣品重復(fù)測序，那么就來看一下是不是：
合并兩個(gè)dataframe
利用merge函數(shù)合并sample546_info和臨床信息，這里為什么用merge呢？merge可以合并兩個(gè)行數(shù)不同的dataframe，參數(shù)信息見下面：
#通過case_id字段作為連接列，將clinic_info中信息匹配到sample546_info中
#by="case_id"指定連接列（兩個(gè)數(shù)據(jù)集均有的列）為case_id字段。
#all.x = TRUE表示以sample546_info數(shù)據(jù)集為參照，將clinic_info中的信息匹配過來。
> all_info <- merge(sample546_info, clinic_info, by="case_id",all.x = TRUE)
> head(all_info)
看一下合并之后的：
查看是否有重復(fù)的case
現(xiàn)在來看看是否有重復(fù)的patient測序的信息，查看case_id列的重復(fù)項(xiàng)：
# 顯示重復(fù)項(xiàng)
> all_info[duplicated(all_info$case_id),]
case_id group TCGA_id tumor_stage tumor_origin
16 0858c8b7-e2eb-4461-b65e-9d476029ad8d cancer TCGA-CV-7250-01A-11R-2016-07 stage iva Larynx, NOS
18 0871333c-1088-4af1-a365-12256643c5bd cancer TCGA-CV-6935-01A-11R-1915-07 stage iva Larynx, NOS
20 08a45833-16a3-4a57-a310-307ec086e558 normal TCGA-CV-7438-11A-01R-2132-07 stage i Tongue, NOS
63 1dd23cd6-3aa8-4553-8813-04701451846e normal TCGA-CV-7103-11A-01R-2016-07 stage iva Tongue, NOS
78 241d9310-9137-42dd-b28d-0dc50c44cb43 cancer TCGA-CV-7101-01A-11R-2016-07 stage ii Larynx, NOS
..........
看一下有多少個(gè)重復(fù)項(xiàng)：
> dup = all_info[duplicated(all_info$case_id),]
> nrow(dup)
[1] 45 ＃說明有45個(gè)重復(fù)的case_id
這里顯示有重復(fù)的case，那么要?jiǎng)h除嗎？先來看一下，我選取了上面顯示的第一個(gè)重復(fù)項(xiàng)，去all_info里查看一下區(qū)別在哪兒（在Rstudio里View頁面ctrl+F搜索）：
從查詢的結(jié)果可以看到：雖然有兩個(gè)相同的case_id，測序樣品來自同一病人，但是兩個(gè)測序一個(gè)是測的正常/癌旁組織，一個(gè)測的是腫瘤組織。這樣的情況就不能刪除，以防后續(xù)我們要進(jìn)行正常和腫瘤的差異比較。
但是如果你的重復(fù)樣品確實(shí)是同樣的組織測了兩次，那么就要?jiǎng)h除重復(fù)的，具體如何操作，請看文章：數(shù)據(jù)挖掘?qū)ｎ} | TCGA樣本命名詳解 。
那么我這個(gè)FPKM矩陣?yán)镉卸嗌賯€(gè)正常/癌旁組織呢？
> sum(all_info$group == "normal")
[1] 44
NOTE:現(xiàn)在我知道FPKM矩陣?yán)锏臉悠窋?shù)是546個(gè)，臨床樣品數(shù)是501個(gè)，那么501+44= 545個(gè)，還有一個(gè)我就不想去追究了（我好懶。。。），感覺１個(gè)重復(fù)測序?qū)?00個(gè)樣品里應(yīng)該沒太大影響。
現(xiàn)在對于我下載的這個(gè)TCGA的數(shù)據(jù)來講，有了FPKM矩陣，又有了需要的臨床信息，基本上不管是WGCNA還是差異基因的分析應(yīng)該都可以進(jìn)行了。
