本人生物信息菜鸟一枚，第一次自己提取TCGA编码蛋白和lncRNA表达谱。

数据准备及介绍

利用简易TCGA下载工具，下载胶质瘤数据（表达谱数据）

双击所要选择的癌症（默认选择原发癌和癌旁正常组织）

单击重新检索按钮下载资源列表，并根据下载资源列表选择下载数据类型

点击下载，选择路径，开始下载任务

通过合并文件按钮将单个文件合并生成矩阵

数据每一列代表一个ENSG_ID,每一列代表一个样本

在ensembol数据库下载数据

选human-protein sequence，数据大体内容如下

>ENSP00000487941.1 pep chromosome:GRCh38:7:142786213:142786224:1 gene:ENSG00000282431.1 transcript:ENST00000632684.1 gene_biotype:TR_D_gene transcript_biotype:TR_D_gene gene_symbol:TRBD1 description:T-cell receptor beta diversity 1 [Source:HGNC Symbol;Acc:HGNC:12158]

GTGG

数据包含ENSP_ID，染色体位置，ENSG_ID,ENST_ID, gene_symbol, gene_biotype,

transcript_biotype等信息（空格分隔 ）

从中提取ENSG_ID ,ENST_ID, gene_symbol, gene_biotype制成表格 ，用于以后比对提取。

数据处理与结果

获取蛋白质基因列表

import re  

def findlabel(line,opt,beg):  

        str1=line[line.find(opt):len(line)]  

        if str1.find(' ') > -1: 

            str1=str1[beg:str1.find(' ')]  

        else:

            str1=str1[beg:len(str1)]   

        return str1.strip() 

def searchprotein():

    file1='D:/Homo_sapiens.GRCh38.pep.all.fa'

    f=open(file1,'r') 

    lines=f.readlines()

    f.close() 

    list1=[] 

    for line in lines:

        line=line.rstrip('\n').strip()  

        if line.find('>')==0:  

            enst=findlabel(line, 'ENST',0)

            ensg=findlabel(line, 'gene:',5)

            type1=findlabel(line,'gene_biotype:',13)

            gene_symbol=findlabel(line, 'gene_symbol:', 12)

            list1.append((ensg,enst,type1,gene_symbol)) 

    fw=open('D:/protein_ID.txt','w')  #写文件

    for l in list1:

        fw.write('\t'.join(l)+'\n')  

    fw.close()

if __name__ == '__main__':  

    searchprotein()

形成文件

获取蛋白质表达谱：

def getprotein():

    file1='D:/protein_ID.txt' 

    f=open(file1,'r')  #读取文件

    lines=f.readlines()

    protein1=[]

    for line in lines:

        line=line.rstrip().strip()

        pro=line.split('\t')[0]

        if pro notin protein1:

            protein1.append(pro)  #在最末尾添加lnc

    return protein1  

def getproteinExpre():

    protein1=getprotein()

    file1='D:/Merge_matrix.txt'

    f=open(file1,'r')

    lines=f.readlines() 

    f.close() 

    fw=open('D:/proteinexp.txt','w') 

    for line in lines:

        line=line.rstrip().strip()

        list1=line.split('\t',1) 

        if(list1[0] in protein1):

            fw.write(line+"\n")

    fw.close()

if __name__ == '__main__':

    getproteinExpre()

得到结果

lncRNA表达谱提取：

lncRNA表达谱获取与上述类似

只需更改下列内容

ensemble中选择下载human-ncRNA数据

在ncRNA数据中要选取lncRNA类型

程序做适当更改

list1.append((ensg,enst,type1,gene_symbol))改为：

match=re.match(r'lincRNA|macro_lncRNA|bidirectional_promoter_lncRNA',type1) 

if match

    list1.append((ensg,enst,type1,gene_symbol))

随后的处理不变。

 

本人菜鸟一枚对很多问题理解还很欠缺，程序参考了https://www.shengxin.ren/question/23内容，有问题还希望大家指出