TCGA 数据分析实战 —— 干性指数（mRNAsi、mDNAsi）

TCGA 数据分析实战 —— 干性指数（mRNAsi、mDNAsi）

前言

干细胞(stem cells, SC)是人体内具有自我复制和多向分化潜能的原始细胞，而这种自我更新和分化为成熟细胞的能力称为干性

肿瘤干细胞 (cancer stem cells,CSCs) 是指拥有与正常干细胞相关特征的癌细胞，能在特定癌症样本中产生所有细胞类型。通常这类的细胞被认为有形成肿瘤、发展成癌症的潜力，特别是随着癌症的转移，能产生新型的癌症

与不具有干性的肿瘤细胞相比，CSCs 通过 DNA 损伤修复、抑制凋亡通路和产生耐药蛋白等自我保护机制，会导致肿瘤的进展、转移、耐药并增强了自我更新能力

我们要介绍的是一篇发表在 Cell 上的文章所提出的一种机器学习算法（OCLR，One Class Linear Regression），对肿瘤样本的干性进行量化。通过对干细胞转录组、甲基化组等多平台数据进行分析，计算出两种不同的干性指数：

• mRNAsi：反映干细胞的基因表达特征
• mDNAsi：反映干细胞的表观遗传特征

下面我们来介绍这两种干性指数的计算

mRNAsi

1. 数据处理

训练数据使用的是 Progenitor Cell Biology Consortium (PCBC)(https://www.synapse.org) 提供的人类干细胞数据，数据组成包括

我们使用 synapser 包来下载对应的数据，当然也可以手动下载。

首先，安装并导入包

install.packages("synapser", repos = c("http://ran.synapse.org", "http://cran.fhcrc.org"))

library(synapser)

在 https://www.synapse.org/ 网站上注册账号，并记住邮箱号密码

在 R 中，调用 synLogin 函数并传入刚才注册的邮箱和密码来登录

synLogin(email = "email@xxx.com", password = "123456")
# Welcome,  !NULL

登录成功之后，使用 synGet 函数获取 RNA 表达数据

synRNA <- synGet( "syn2701943", downloadLocation = "~/Downloads/PCBC" )

读入表达数据

library(tidyverse)

exp <- read_delim(file = synRNA$path) %>%
  # 去除 Ensembl ID 的后缀
  separate(col = "tracking_id", sep = "\\.", into = c("Ensembl_ID", "suffix")) %>%
  dplyr::select(-suffix) %>%
  column_to_rownames("Ensembl_ID") %>%
  as.matrix()

exp[1:3,1:3]
#                 H9.102.2.5 H9.102.2.6 H9.119.3.7
# ENSG00000000003  0.6306521  0.6071539  0.7197784
# ENSG00000000005 -1.2838794 -1.0152271 -0.8893850
# ENSG00000000419  0.6509436  0.5833117  0.7618753

将 ENSEMBL 转换为 Symbol

library(org.Hs.eg.db)

unimap <- mapIds(
  org.Hs.eg.db, keys = rownames(exp), keytype = "ENSEMBL", 
  column = "SYMBOL", multiVals = "filter"
)

data.exp <- exp[names(unimap),]
rownames(data.exp) <- unimap

使用 synTableQuery 函数来获取元数据，使用 SQ