[癌症分型]临床特征的学习和处理

背景：要做癌症的分子分型。现需要对照临床特征。
已有一组数据，需要学习其值的含义，并适当处理这些数据。

数据如下，每行是一名患者：

为了聚类，需要计算距离，将所有值处理为数字会跟方便。因此需要了解各个值的意思。

age:可以保持。要或不要都行。
gender: 因为是binary的，只有两种取值，所以直接用0和1即可。

运行一下代码：

data <- read.csv("data/TCGAClinical.csv", encoding="UTF-8",sep=",")
# 对每一列，提取所有unique的取值
for (i in c(4:ncol(data))){
  cat(sprintf("%d. %s: \n",i,colnames(data)[i]))
  n_occur <- data.frame(table(data[,i]))
  print(n_occur[n_occur$Freq > 1,])  #告诉你哪些id发生了多次。
  cat("\n\n")
}

Primary Tumor Site （原发肿瘤部位）

有如下8类

id	Value	说明	Freq
1	Ascending Colon	升直肠，上行直肠
2	Cecum	盲肠
3	Descending Colon	下行结肠
4	Hepatic Flexure	结肠右曲
6	Sigmoid Colon	乙状结肠
7	Splenic Flexure	结肠左曲
8	Transverse Colon	横行结肠

不是binary，各个部位之间不好描述相似性，弄成正交的onehot。

TNM分期

TNM分期系统是目前国际上最为通用的肿瘤分期系统。
I期的肿瘤通常是相对早期的肿瘤有着相对较好的预后。分期越高意味着肿瘤进展程度越高。

• T（“T”是肿瘤一词英文“Tumor”的首字母）指肿瘤原发灶的情况，随着肿瘤体积的增加和邻近组织受累范围的增加，依次用T1~T4来表示。
• N（“N”是淋巴结一词英文“Node”的首字母）指区域淋巴结（regional lymph node）受累情况。淋巴结未受累时，用N0表示。随着淋巴结受累程度和范围的增加，依次用N1~N3表示,
• M（“M”是转移一词英文“metastasis”的首字母）指远处转移（通常是血道转移），没有远处转移者用M0表示，有远处转移者用M1表示。在此基础上，用TNM三个指标的组合（grouping）划出特定的分期（stage）。

参考文献
结直肠癌TNM分期(第八版)

T原发病灶的侵犯深度（即进展程度）:

（“T”是肿瘤一词英文“Tumor”的首字母）指肿瘤原发灶
首先数字越大越严重，字母参考结直肠癌TNM分期(第八版)，也是越大越严重。

因此考虑用一个数值来表示，给分。
注意我们的结果里面有T4，也有T4a, T4b. T4 暂时不清楚是a还是b。

id	Value	给分	Freq
1	T1	2	11
2	T2	4	66
3	T3	6	285
4	T4	7.5	26
5	T4a	7	14
6	T4b	8	7

N: 癌细胞转移到淋巴结的情况

N（“N”是淋巴结一词英文“Node”的首字母）

id	Value	给分	Freq
1	N0	0	236
2	N1	2	72
3	N1a	1	15
4	N1b	2	12
5	N1c	3	2
6	N2	4.5	58
7	N2a	4	5
8	N2b	5	10

M: 远处转移情况（M分期）（包括远处淋巴结转移、远隔脏器转移和血液转移）

M（“M”是转移一词英文“metastasis”的首字母）

id	Value	给分	Freq
1	M0	0	306
2	M1	2	48
3	M1a	1	7
5	MX	NA	41

Stage:

这看起来像是冗余数据，因为stage可以由TNM推出。
参考文献：TNM分级和分期的关系

id	Value	说明	Freq
1	I		63
3	II		27
4	IIA		123
5	IIB		8
7	III		19
8	IIIA		11
9	IIIB		57
10	IIIC		37
11	IV		41
12	IVA		14

Overall Survival (monthes)

总生存(overallsurvival，OS) ：从随机化分组开始，至因任何原因引起死亡的时间。对于死亡之前就已经失访的受试者，通常将最后一次随访时间计算为死亡时间。（包括非肿瘤原因引起的死亡，如车祸）
overall survival和disease free的参考链接
看起来是一个数值。应该保持原样即可。
9. Overall.Survival…Months.:
Var1 Freq
1 0 16
5 0.92 3
7 0.99 4
8 1.02 7
12 2 6
…

Overall.Survival.Status:

要不问一下雷博是啥意思。
考虑使用“生存分析” survival analysis 关键词进行搜索。
根据此链接
生存状态（布尔值）：0-Alive；1-Dead

id	Value	说明	Freq
1	0		319
2	1		91

Disease Free( Months)

overall survival和disease free的参考链接
无病生存期(DFS，Disease Free Survival)：是指从随机化开始至第一次肿瘤复发/转移或由于任何原因导致受试者死亡的时间(失访患者为最后一次随访时间；研究结束时仍然存活患者，为随访结束日)。通常作为根治术后的主要疗效指标。目前对DFS存在不同定义和解释，不同研究者之间在判断疾病复发或进展时容易产生偏倚。

看起来就是从开始记录，到肿瘤复发/转移的时间。
11. Disease.Free…Months.:
Var1 Freq
1 0 12
6 0.92 3
8 0.99 3
9

Disease.Free.Status:

没找到。
估计就是
0是没有复发吧。

id	Value	说明	Freq
1	0		307
2	1		81

microsatelite:

微卫星参考链接

那就是分级的吧。

id	Value	给分	Freq
1	MSI-H	2	78
2	MSI-L	1	80
3	MSS	0	252

数据处理

分数统计好了，就开始替换了：

# ###------- 数值化-----------#

# gender
colnames(data)
colnames(data)[3] # 发现性别类名为female，应改为gender
colnames(data)[3]="gender"
colnames(data)
data$gender = (tolower(data$gender) == "male" )
data$gender = as.numeric(data$gender)
head(data$gender)

# T
data$T = gsub("T1","2", data$T)
data$T = gsub("T2","4", data$T)
data$T = gsub("T3","6", data$T)
data$T = gsub("T4a","7", data$T)
data$T = gsub("T4b","8", data$T)
data$T = gsub("T4","7.5", data$T)
data$T = as.numeric(data$T)
head(data$T)

# N
data$N = gsub("N0","0", data$N)
data$N = gsub("N1a","1", data$N)
data$N = gsub("N1b","2", data$N)
data$N = gsub("N1c","3", data$N)
data$N = gsub("N1","2", data$N)
data$N = gsub("N2a","4", data$N)
data$N = gsub("N2b","5", data$N)
data$N = gsub("N2","4.5", data$N)
data$N = as.numeric(data$N)
head(data$N)

# M
data$M = gsub("M0","0",data$M)
data$M = gsub("M1a","1",data$M)
data$M = gsub("M1","2",data$M)
# MX leave alone
data$M = as.numeric(data$M)
head(data$M)

# microsatelite
data$microsatelite = gsub("MSI-H","2",data$microsatelite )
data$microsatelite = gsub("MSI-L","1",data$microsatelite )
data$microsatelite = gsub("MSS","0",data$microsatelite )
data$microsatelite = as.numeric(data$microsatelite)
head(data$microsatelite)


# Primary.Tumor.Site （ 放最后，因为会增加列）
data$Ascending.Colon = as.numetric(data$Primary.Tumor.Site == "Ascending Colon")
data$Cecum = as.numetric(data$Primary.Tumor.Site == "Cecum")
data$Descending.Colon = as.numetric(data$Primary.Tumor.Site == "Descending Colon")
data$Hepatic.Flexure = as.numetric(data$Primary.Tumor.Site == "Hepatic Flexure Colon")
data$Sigmoid.Colon = as.numetric(data$Primary.Tumor.Site == "Sigmoid Colon")
data$Splenic.Flexure = as.numetric(data$Primary.Tumor.Site == "Splenic Flexure")
data$Transverse.Colon = as.numetric(data$Primary.Tumor.Site == "Transverse Colon")
head(data$Ascending.Colon)
head(data)
# 

# delete stage and Primary.Tumor.Site
data =data[ , -which(colnames(data) %in% c("Primary.Tumor.Site","Stage"))]
head(data)

这样就完成了~