主讲老师第二十课：ICGC 数据库的使用
俗话说，巧妇难为无米之炊，除了我们所熟知的 TCGA 数据库和 GEO 数据库外，我们可以见到另一个强大的肿瘤研究数据库，即 ICGC 数据库（ICGC.zip）。下面，我们一起来看下 ICGC 数据库的使用方法和部分数据清洗内容首先，简单介绍一下这个优秀的数据库，ICGC 数据库（https://daco.icgc.org/）即国际肿瘤基因组协作组（International Cancer Genome Consortium），收集了 50 种不同癌症类型或不同亚型的肿瘤数据，其中包括基因表达数据，体细胞突变数据（单核苷酸突变和拷贝数变异），以及相关的临床数据等。当然，在 ICGC 数据集中，同样囊括了 TCGA 数据库和 TARGET数据库中的相关数据。
在使用过程中，我们往往把 TCGA 数据库分析得到的模型或者结论，使用 ICGC 数据库中的数据进行外部验证拓展，下面，我们一起来看下 ICGC 数据库的使用方法
1.ICGC 表达数据的下载
首先，我们先来看下如何下载其中的数据。
(1). 点击 ICGC Data Portal 进入数据储存地址，提醒一下，这个网站对网络可能会有一点点的要求，使用过程中耐心等待一下(2). 点击 DCC Data Release，查看数据更新版本信息(3). 在此，我们可以看到不同时间更新的数据版本信息在使用过程中，我们一般选择最新版本的数据来进行后续的分析，点击 current，查看最新版本数据(4). 点击 project，进入数据集存储界面在该页面，可看到其中包含的各个项目内容，根据研究的疾病类型及相关具体需求来进行选择。接下来，我们选择其中一个数据集中的数据内容来进行接下来的演示和整理。
来自韩国的乳腺癌数据集，在该数据集中，包括基因表达 exp_seq.BRCA-KR.tsv.gz ，临床 数 据specimen.BRCA-KR.tsv.gz ,Somatic 突 变 数 据 simple_somatic_mutation.open.BRCA-KR.tsv.gz ，以及一些其他的相关病史，包括家族史，手术史，接触史等等，下载基因表达文件和临床
数据文件用于后续的分析使用。
2.基因表达数据清洗
在数据整理前，我们先来看看下载得到的基因表达文件/可以看到，该表达文件和我们以前常规使用的表达矩阵并不一样，其中，每一行都代表一个病人中一个基因的表达值。
同时，在临床数据中，展示了每个样品对应的患者来源（specimens）和组织样品类型（Type）。接下来，我们将对这两个文件进行清洗，以得到平时使用的表达矩阵格式。
(1).表达数据的提取首先，将 exp_seq 表达文件读取进来，由于文件相对较大，在此我们选择使用 data.table 包中的fread() 函数来快速读取大文件内容，同时，根据需要，我们只提取包含样品信息和基因表达信息的列。
可以看到，最终得到一个由 1336550 行组成的数据框。
随后，经统计，其中包含了 50 个不同的样品数量。
(2).样品信息的读取整理好表达数据后，我们接着对临床信息进行提取和整理，根据样品的不同来源，我们分别对其重新命名，即肿瘤组（C）和正常组（N）。
其中一共包含 100 个不同的样品信息，spcimen_type 为分组信息(3).将两文件合并根据 icgc_specimen_id 信息，使用 merge() 函数将表达文件和临床信息文件进行合并随后，我们进一步使用 unite() 函数将几列信息内容合并成一列，其中，关于 unit() 函数的使用原理，与 paste0() 函数类似，只是前者针对多个列内容的合并(4).构建表达矩阵最后，使用 spread()函数，将表达数据进行拆分最终得到我们常见的表达矩阵格式将最终得到的表达矩阵进行保存，即可用于后续分析使用，这样，从数据的下载到清洗，整个步骤都完成了。接下来的分析使用，就可以参考测序数据的分析过程，快速进行差异分析，功能聚类等一系列的标准操作