零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（二）-关键基因集的获取和生存数据准备

前面的分析中，下载TCGA和GEO的数据，并进行简单的处理，接下来就是相关基因集的获取和整理，为后期聚类和降维做准备工作

三、获取免疫基因和代谢相关的基因集

这里可以选择从GSEA官网下载免疫和代谢相关基因，或者换成其他的基因也是可以的

1、取对数，TCGA的数据一般跨度比较大，所以在使用limma做差异之前，需要取一个log进行后续的分析（http://www.sxdyc.com/logarithmicdata）

运行完成后，点击下载即可

2、直接提取相关基因的表达谱矩阵

准备好基因集后，可以收到一个一个捕获基因的表达谱，也可以使用我们的工具

首先获取这两个基因集合并为all.gene.txt

使用工具，提取特定的基因集(提取部分基因表达，http://www.sxdyc.com/geneExpression)

需要上传两个文件，一个是全基因的表达谱数据，一个是基因的列表信息

运行完成后，直接下载数据


四、TCGA数据差异分析

1、准备分组文件

接下来进行差异分析，需要准备一个分组文件，这里选择 4.特征基因表达谱的准备 文件夹中生成的dat.select.txt 的文件


从14号位置往后数两个字符，其中01为肿瘤组织，11为正常组织

02其实也是肿瘤组织，只是很多分析中会去掉，因为01是原发性肿瘤，保存一下（所以只保留了01和11的样本）

2、差异分析

这里其实有两种做法的，一种是拿免疫+代谢相关基因表达谱进行差异分析，一种是拿全部的基因做差异分析，筛选出差异基因后，在和免疫+代谢相关基因集取交集。(这里选择的是免疫+代谢相关基因表达谱进行差异分析)

http://www.sxdyc.com/diffLimmaAnalyse

3、差异分析的火山图的绘制

从limma差异分析中下载差异分析的结果

获取绘制火山图的数据，包含三列，顺序分别为基因，差异倍数，p值

http://www.sxdyc.com/visualsVolcano


补充一点，如果这里用全部的基因做差异，需单独使用venn图的工具取一个交集

4、差异基因表达的热图

差异基因的获取，用excel的筛选工具，对volcan0.txt进行筛选（标准：logFC选择大于1或者小于-1，FDR<0.05，当然这里的标准可以进行修改），把相关基因提取放在heatmap.gene.txt文件中


先通过工具获取差异基因的表达谱（http://www.sxdyc.com/geneExpression）
运行成功后，下载数据，并改名为heatmap.exp.txt


在使用工具绘制热图（http://www.sxdyc.com/visualsClusterHeat）

这里需要注意的是

行注释为：基因的分组信息，如上调，下调的分组，代谢还是免疫基因的分组等等；

列注释为：样本的分组信息，例如这个癌组织和癌旁组织

热图的颜色：从低到高的颜色

是否显示行名：这里需要显示基因名，就选yes

是否显示列名：这里需要显示样本命，就选yes

是否进行行聚类：如果需要对基因进行聚类，就选yes

是否进行列聚类：如果需要对样本进行聚类，就选yes

图片的高度和宽度设置好

提交后等待运行成功即可下载


五、TCGA和GEO差异基因获取和预后数据的整理

1、差异基因集的获取，获取TCGA和GEO数据集的共有基因

首先，需要将GEO的数据中的基因名单独复制到gse31210.gene.list.txt文件中

使用venn/upset图绘制工具，获取交集基因（http://www.sxdyc.com/visualsVennUpset）

准备绘制venn图的文件，如这里只要两个组


上传后，绘制venn图，这里的颜色指的是分组的颜色（工具写错了，后面会改掉），设置图片的宽度和高度，运行完成后，直接下载即可



这时候就需要提取共有基因表达谱，包括TCGA和GEO的表达谱数据，为后面的分型和建模做准备。

2、TCGA数据集肿瘤组织生存数据的准备和表达谱矩阵的准备

提取TCGA的肿瘤组织的表达谱，在5.差异基因热图获取的group.txt和heatmap.exp.txt，打开group.txt，数据筛选，删掉N的样本，只有肿瘤组织的样本，另存为group1.txt（只保留第一列的样本名，去掉列名）。


打开生存数据TCGA.merge.cli.txt，去掉生存时间为0的样本

准备两列数据，第一列数据为生存时间大于0的样本，第二列为肿瘤组织的样本，用excel选择1-12位字符串，接下來复制C列的数据，选择性粘贴在C列，选择数值（这一步很重要）

然后把A列的数据复制在C列之下，用excel筛选共有的样本

开始-条件格式-突出显示单元格规则-重复值（选择C列之后）

将没有颜色的行删掉

这时候将B列的样本名复制为group1.txt的文件中。

同时将C列中重复的样本复制在生存数据中，将不存在的样本删掉TCGA.merge.cli.txt，一样的方法去掉多余的样本

打开heatmap.exp.txt文件，转置，如下所示，改为heatmap.exp1.txt

使用提取部分基因表达工具提取肿瘤组织的表达谱（http://www.sxdyc.com/geneExpression），当然也可以手动一个一个删，这样比较麻烦

运行完成后，直接下载，并改名为tcga.T.dat.txt

用excel打开tcga.T.dat.txt文件，然后，提取样本的1-12位字符串

接下來复制B列的数据，选择性粘贴在A列，选择数值（这一步很重要）

然后删除B列的信息，只留A列的信息即可

该文件保存一下即可

3、GEO数据生存时间的筛选和表达谱矩阵的获取

首先获取共有基因表达谱，准备文件（2.geo.pre\GSE31210\gse31210.dat.process.txt）,6.TCGA和GEO差异基因获取和预后数据的整理中获取的（com.set.txt），使用工具（http://www.sxdyc.com/geneExpression）提取gse31210数据集表达谱

运行完成后，下载即可

下载后改名为gse31210.select.gene.txt

打开gse31210的生存数据，删掉正常组织，保留我们想要的临床信息

修改生存时间名字（习惯性修改为OS.time和OS），并将生存状态Ailve替换为0，dead替换为1

并将样本复制出现，保存在gse.sample.txt

打开gse31210.select.gene.txt文件，在excel转置一下，提取肿瘤组织的表达谱数据，和TCGA数据一样

运行完成后，下载并改名为gse31210.T.data.txt

接下来就是分子亚型和风险模型的构建