三阴性乳腺癌提取和分析
时间:2022-07-23
本文章向大家介绍三阴性乳腺癌提取和分析,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
介绍
三阴性乳腺癌是指癌组织免疫组织化学检查结果为雌激素受体(ER)、孕激素受体(PR)和原癌基因Her-2均为阴性的乳腺癌。这类乳腺癌占所有乳腺癌病理类型的10.0%~20.8%,具有特殊的生物学行为和临床病理特征,预后较其他类型差。
临床表现
三阴性乳腺癌临床表现为一种侵袭性病程,其远处转移风险较高,内脏转移机会较骨转移高,脑转移几率也较高。三阴性乳腺癌的远处转移风险在3年时达到高峰,之后可能会有所下降。三阴性乳腺癌的中位肿瘤大小为2cm,50%有淋巴结转移。此类乳腺癌的组织学分级多为3级,细胞增殖比例较高。
治疗
目前还没有特有的针对三阴性乳腺癌的治疗指南。因此其治疗一般按乳腺癌常规标准治疗进行。
1.化疗
与其他类型乳腺癌相比,化疗对三阴性乳腺癌的有效率较高,但如果只是常规的标准治疗,其预后依然很差。
2.辅助化疗
FEC序贯多西他赛化疗有较好的反应。紫杉类药物对三阴性乳腺癌有一定的疗效。铂类药物在三阴性乳腺癌中可能更有效。顺铂新辅助化疗有相当疗效。
预后
本病预后仍较差,死亡风险较高。
##########################################################################################
## step1 load package and change Working Directory
###########################################################################################
library(TCGAbiolinks)
library(dplyr)
library(tidyr)
library(tibble)
library(edgeR)
library(limma)
rm(list=ls())
setwd('D:\SCIwork\F22\brca')
##########################################################################################
## step2 download the expresssion data of lncRNA and mRNA
###########################################################################################
query <- GDCquery(project = "TCGA-BRCA",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification",
workflow.type = "HTSeq - Counts")
GDCdownload(query, method = "api", files.per.chunk = 50)
library(SummarizedExperiment)
expdat <- GDCprepare(query = query, save = TRUE, save.filename = "exp.rda")
count_matrix = as.data.frame(assay(expdat))
##########################################################################################
###########################################################################################
rm(list=ls())
load('exp.rda')
count_matrix = as.data.frame(assay(data))
count_matrix[1:4,1:4]
# fpkmToTpm <- function(fpkm)
# {
# exp(log(fpkm) - log(sum(fpkm)) + log(1e6))
# }
#
#
# expr <- as.data.frame (apply(count_matrix , 2, fpkmToTpm))
#
expr <- count_matrix %>% rownames_to_column("gene_id")
##########################################################################################
###########################################################################################
setwd("D:\Originaldata\GRCH\Homo_sapiens.GRCh38.90")
load("gtf_df.Rda")
test <- gtf_df[1:5,]
View(test)
mRNA_exprSet <- gtf_df %>%
dplyr::filter(type=="gene",gene_biotype=="protein_coding") %>%
dplyr::select(c(gene_name,gene_id,gene_biotype)) %>%
dplyr::inner_join(expr,by ="gene_id") %>%
tidyr::unite(gene_id,gene_name,gene_id,gene_biotype,sep = " | ")
save(mRNA_exprSet,file = "mRNA_exprSet.Rda")
mRNA_exprSet <- mRNA_exprSet %>%
tidyr::separate(gene_id, c("gene_name","gene_id","gene_biotype"),
sep = " \| ")
mRNA_exprSet <- mRNA_exprSet[,-(2:3)]
index <- duplicated(mRNA_exprSet$gene_name)
mRNA_exprSet <- mRNA_exprSet[!index,]
row.names(mRNA_exprSet) <- mRNA_exprSet$gene_name
mRNA_exprSet$gene_name <- NULL
setwd('D:\SCIwork\F22\brca')
save(mRNA_exprSet, file = "mRNA_exprSet.Rda")
##########################################################################################
## step1 load package and change Working Directory
###########################################################################################
library(TCGAbiolinks)
library(dplyr)
library(tidyr)
library(tibble)
library(edgeR)
library(limma)
rm(list=ls())
setwd('D:\SCIwork\F22\brca')
query <- GDCquery(project = "TCGA-BRCA",
data.category = "Clinical",
file.type = "xml")
GDCdownload(query)
clinical <- GDCprepare_clinic(query, clinical.info = "patient")
#合并两类患者,得到肾透明细胞癌的临床信息
survival_data <- as.data.frame(clinical)
write.csv(survival_data , file = 'survival.csv')
##########################################################################################
###########################################################################################
options(stringsAsFactors = F)
library(stringr)
rm(list=ls())
setwd('D:\SCIwork\F22\brca')
load( "mRNA_exprSet.Rda")
metadata <- data.frame(colnames(mRNA_exprSet))
for (i in 1:length(metadata[,1])) {
num <- as.numeric(as.character(substring(metadata[i,1],14,15)))
if (num == 1 ) {metadata[i,2] <- "T"}
if (num != 1) {metadata[i,2] <- "N"}
}
names(metadata) <- c("id","group")
metadata$group <- as.factor(metadata$group)
metadata_T <- subset(metadata,metadata$group == "T")
metadata_T
metadata_N <- metadata[which(!(metadata$id %in% metadata_T$id)),]
metadata_N$group <- 'Control'
metadata_T$id1 <- substr(x= metadata_T$id, start = 1, stop = 12)
##########################################################################################
###########################################################################################
p <- read.csv('survival.csv', header = T, sep = ',')
colnames(p)[grep("receptor_status", colnames(p))]
## [1] "breast_carcinoma_estrogen_receptor_status"
## [2] "breast_carcinoma_progesterone_receptor_status"
## [3] "lab_proc_her2_neu_immunohistochemistry_receptor_status"
## [4] "metastatic_breast_carcinoma_estrogen_receptor_status"
## [5] "metastatic_breast_carcinoma_progesterone_receptor_status"
# examining how many triple-negative receptors samples
table(p$breast_carcinoma_estrogen_receptor_status == 'Negative' &
p$breast_carcinoma_progesterone_receptor_status == 'Negative' &
p$lab_proc_her2_neu_immunohistochemistry_receptor_status == 'Negative')
# extracting tnbc samples
tnbc_samples <- p[p$breast_carcinoma_estrogen_receptor_status == 'Negative' &
p$breast_carcinoma_progesterone_receptor_status == 'Negative' &
p$lab_proc_her2_neu_immunohistochemistry_receptor_status == 'Negative', ]
tnbc_samples <- tnbc_samples$bcr_patient_barcode
metadata_TN <- metadata_T[which(metadata_T$id1 %in% tnbc_samples),]
metadata_TN$id1 <- NULL
metadata_TN$group <- 'TNBC'
metadata_TT <- metadata_T[which(!(metadata_T$id1 %in% tnbc_samples)),]
metadata_TT$id1 <- NULL
metadata_TT$group <- 'non-TNBC'
后续为个人数据自用,不便分享。
- CentOS 6.8 部署zookeeper集群
- ASP.NET MVC基于标注特性的Model验证:DataAnnotationsModelValidator
- 使用容器进行应用程序路由
- MVVM(Knockout.js)的新尝试:多个Page,一个ViewModel
- ASP.NET MVC以ModelValidator为核心的Model验证体系: ModelValidatorProviders
- 我所理解的RESTful Web API [设计篇]
- 黑箱难题阻碍了深度学习的普及与发展
- iOS 转场动画探究(一)
- XCode中如何使用事务
- 如何部署编译NDIS驱动的环境(内部资料)
- 深度学习的入门级装机配置推荐
- Self Host模式下的ASP. NET Web API是如何进行请求的监听与处理的?
- GridView绑定小技
- XCode读取Excel数据(适用于任何数据库)
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Java程序员不缺对象,缺的是对象存储
- StringBuffer StringBulider String的区别
- 求X值问题
- python-剑指offer21-40
- Java8实战--引入流
- ThingJS数据对接方法介绍——Ajax
- python-剑指offer41-62
- 【python-opencv】读取、显示、写入图像
- WSL——windows上的linux子系统
- 【python-opencv】读取、显示、保存视频
- 超级账本——Hyperledger Fabric
- 【python-opencv】绘图(目标检测框及其置信度等)
- 哈希表:哈希值太大了,还是得用set
- 哈希表:今天你快乐了么?
- 简单二分法查找(binary search)