癌症基因图谱（ TCGA）数据库（二）数据前处理

1、分类

数据：癌症基因图谱（ TCGA）数据库中 5 种不同类型癌症（包括BRCA, BLCA, LGG, LUAD 和 LUSC,每种为一个数据集）病例的 RNA 转录组（RNA-seq）数据。

关于数据集的下载在上一篇文章。下载完成后每一个病例都是一个.gz的压缩包。网上大部分关于这个数据库的处理都是用的R语言，自己想尝试一下用Python处理一下。

将所有样例压缩包放在同一文件下解压，将3329个TCGA样本通过.tsv文件进行整理，分成BRCA, BLCA, LGG, LUAD 和 LUSC五个数据集，其中，LGG有529个，LUAD有594个，LUSC有551个，BLCA有433个，BRCA有1222个。

import pandas as pd
import numpy as np
import os
import shutil

#1.读取.tsv数据文件，将病例的文件名与癌肿名一一对应
sample_s= pd.read_csv('gdc_sample_sheet.2022-03-16.tsv', sep='\t')
file_dir = "D:\\python\\data\\data_yo\\" + sample_s.iloc[1, 1]#D:\\python\\data\\data_yo\\是.tsv文件保存的路径，sample_sum.iloc[1, 1]是文件保存的名字

# for root, dirs, files in os.walk(file_dir):
#     for file in files:
#          # file_obj=open(file_dir + "\\" + file)#读取文件内容
#开始更改文件的路径for i in range(3329):
    if sample_s.iloc[i, 4] == 'TCGA-LGG':
        filename = sample_s.iloc[i, 1]
        file_dir = "D:\\python\\data\\data_yo\\" + filename
        if os.path.exists(file_dir):#判断是否存在，存在就更改路径
            shutil.move(file_dir, "D:/python/data/LGG/")

2、数据整理

分类完成后每一类中都存在许多独立病例文件，而且文件名杂乱，不方便后续的数据分析，于是在处理分析数据前先对数据进行前处理。

2.1 换ID名

为了便于区分病例样本，将病例的ID和文件对应更改，这里需要用到.json文件。

这里借鉴了其他作者的思路，完整代码如下：

import os
import json

#打开json文件夹；
file = open('D:\\python\\data\\metadata.cart.2022-03-20.json', encoding='utf-8')
#读取json文件夹；
json_precess = json.loads(str(file.read()))
#创建空字典；
dict ={}
for i in json_precess:
    print(i['file_name'])
    print(i['associated_entities'][0]['entity_submitter_id'])
    dict[str(i['file_name']).strip('.gz')] =i['associated_entities'][0]['entity_submitter_id']
print(dict)


#mainfest文件路径；
path ='D:\\python\\data\\gdc_download_20220316_024702.575784'
filelist = os.listdir(path)#mainfest子路径下的所有文件列表；
for file_one in filelist:
    file = path + '/' +file_one
    print(file)
    list = os.listdir(file)[0]
    print(list)
    if '.gz' in list:
        olddir = file +'/' +list#原来文件名
        newdir = file + '/' + dict[list.split('.gz')[0]] +'.gz'#新的文件名
        os.rename(olddir,newdir)#重新命名

2.2矩阵整理

遍历文件夹下的所有病例文件，因为每一个病例在相同位置对应的RNA基因是一样的，这样就方便读取并取出数据。将RNA基因名放在第一列。最后得到5个矩阵，每个代表一个类。

import gzip
import json
import os
import  sys
import re
import shutil
from collections import OrderedDict
from datetime import time
from multiprocessing import  Pool
import glob
import asyncio
import shutil
file_dir1=('D:\\python\\data\\data_BLCA')
file_dir2=('D:\\python\\data\\data_BRCA')
file_dir3=('D:\\python\\data\\data_LGG')
file_dir4=('D:\\python\\data\\data_LUAD')
file_dir5=('D:\\python\\data\\data_LUSC')
#读取每个文件夹下解压后的.txt文件内容，将所有数据整合到一个矩阵中
def readfile(file):
    # file_obj=open(file)
    file_obj=open(file_dir5 + "\\" + file)
    try:
        while True:
            line = file_obj.readline().strip("\n")
            if not line:
                break
            arry = line.split("\t")
            if arry[0] in tcga_matrix:
                tcga_matrix[arry[0]].append(arry[1])
            else:
                tcga_matrix[arry[0]] = [arry[1]]
    finally:
        file_obj.close()


if __name__ =="__main__":
    tcga_matrix=OrderedDict()
    for root, dirs, files in os.walk(file_dir5):
        for file in files:
            # file_obj=open(file_dir + "\\" + file)#读取文件内容
            readfile(file)

    with open('LUSC_matrix.txt','w') as f_w:
        for k,v in tcga_matrix.items():
            f_w.write(k+'\t'+'\t'.join(v[0:len(v)])+'\n')
            # f_w.write(k+'\t'+'\t'.join(v[0:len(v)])+'\n')
        f_w.close()

LGG部分数据：

（a）对于每一个数据集，在 6 万多个 RNA 中，如 果某 RNA 在一半以上的病例中没有表达（数值为 0），则将其丢弃。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from numpy import around
from pandas import Series,DataFrame

import palettable
import random

#将超过一半数据为0的RNA删除掉，剩下3万左右数据

file_dir1=("D:\\python\\data\\BLCA_matrix.txt")
file_dir2=("D:\\python\\data\\BRCA_matrix.txt")
file_dir3=("D:\\python\\data\\LGG_matrix.txt")
file_dir4=("D:\\python\\data\\LUSC_matrix.txt")
file_dir5=("D:\\python\\data\\LUAD_matrix.txt")

aaa=0#计算有多少RNA没被删掉
#
# #新文件的地址
f1 = open('LUAD.txt', "w")  # 以写入的形式打开txt文件

with open(file_dir5, "r") as f:
    #读取.txt每一行
    for line in f.readlines():
        # print(line)
        #每个数据以\t隔开
        sub_str = line.split('\t')
        # print(sub_str[0])
        # print(sub_str[1])
        #
        # print(type(sub_str))
        count = 0#每一个RNA基因含0的个数
        num_list_new = [float(x) for x in sub_str[1:]]#将list-str转为list-float，不包含第一个（RNA名称）
        for i in num_list_new[0:]:#每一行数据
            if i == 0:
                count += 1
        # print(count)
        # print(len(num_list_new))
        length = len(num_list_new)
        # print(around(5/10))
        if around(count / length) == 0:#少于一半为0则转移到新的文件
            aaa+=1
            print(aaa)
            # ','.join(v[0:len(v)]) + '\n'
            # print(','.join(sub_str[0:len(sub_str)]))  # 将修改后的文本内容写入
            f1.writelines('\t'.join(sub_str[0:len(sub_str)]))  # 将修改后的文本内容写入
f1.close()  # 关闭文件

（b）对 RNA 的表达值进行对数标准化：𝑎 → 𝑙𝑜𝑔10(𝑎 + 1)。

a=math.log10(a + 1)