生信交流平台 - 新版TCGA中RNAseq數據基因名居然有重複？！－鑽石舞台

關注下方公眾號，get更多生信技能☟☟☟

TCGA數據庫在2022年4月初進行更新之後，RNAseq的數據格式發生了很大變化，給我們廣大的科研工作者帶來了極大的不便。小編也是在第一時間給大家展示了TCGA數據庫的變化，用圖文的方式詳細介紹了新版TCGA數據庫RNAseq數據下載方法。

☞TCGA數據庫悄咪咪更新了—RNAseq沒有HTSeq-Counts了

小編也針對新版TCGA數據庫格式，為各位小夥伴提供了兩種合併新版TCGA中RNAseq表達譜數據的方法

☞R代碼合併新版TCGA數據庫RNAseq表達譜數據

☞零代碼合併新版TCGA數據庫RNAseq表達譜數據

最近小編在基於合併的表達譜數據做下游分析的時候，發現了一個很詭異的事情。想把合併的表達矩陣再讀到R裡面，得到了一個error

count=read.table("RNAseq_STARcounts.txt",header=T,sep="\t",row.names=1)

一開始不能接受這個事實，理論上導出來的矩陣帶有行名，沒有報錯。為什麼再讀進去會報這個錯了。冷靜下來，去找原因。我們從最開始的count文件開始查找。一頓操作猛如虎，基因名字數一數。這一數還真有重複。這個文件原本基因名字是沒有重複的，只是在我們處理的過程中產生的重複。怎麼聽起來這麼像魯迅先生的說過的一句話。問題的元兇長這樣的。

PAR_Y是個什麼鬼，擺渡一下。

PAR（Pseudoautosomal Region，擬常染色體區域）。X和Y染色體上與常染色體同源的區域。發現3段PAR: PAR1, PAR2和PAR3。

PAR1和PAR2位置分別為：

chrY:10,000-2,781,479 and chrY:56,887,902-57,217,415

chrX:10,000-2,781,479 and chrX:155,701,382-156,030,895

這個應該是根mapping時用到的reference相關的，既然Y染色體上有根常染色體同源的區域。那麼比對的時候，能比對到常染色體上的reads，也可以比對到Y染色體上相應的同源區域。一般我們製作reference的時候會排除PAR。count文件裡面雖然有帶PAR的基因，但是表達量都是0。不僅沒有實質性的作用，還在這裡添亂。查了一下，一共44個這樣的害群之馬。