不同癌症的差异难道大于其与正常对照差异吗
前面的教程：大样本量多分组表达量矩阵分析你难道没想到单细胞吗，提到了我们整合全部的33种癌症的仅仅是蛋白质编码基因的表达量矩阵，进行降维聚类分群可以看到并不是严格的各个癌症泾渭分明。而去还别出心裁的引入了单细胞经典seurat流程，进行降维聚类分群。
这个时候眼尖的小伙伴就指出来了，我们并没有区分表达量矩阵里面的正常组织和肿瘤组织，哪怕是不同的癌症。其实在tcga数据挖掘时候很容易区分， 我们主要是使用如下所示代码：
library(Seurat)
load(file = 'sce.Rdata')
gp=substring(colnames(sce),14,15)
table(gp)
sce@meta.data$gp=gp
library(gplots)
balloonplot(table(sce@meta.data$gp,sce@meta.data$group))
首先看看是不是所有的癌症都有正常对照：
然后汇总一下，可以看到：
> as.data.frame(table(gp))
gp Freq
1 01 9724
2 02 47
3 03 151
4 05 11
5 06 393
6 07 1
7 11 730
大家可以去：https://docs.gdc.cancer.gov/Encyclopedia/pages/TCGA_Barcode/ 查看这个 TCGA数据样本编码Barcode的意义，由横杠连接的7个子编码信息组成，代表了详细的临床样本收集，检测，分析信息，包括项目名称(Project)，研究机构(TSS)，受检者编号(Participant)，样本组织类型(Sample)(常用的是01代表实体瘤和11代表实体瘤旁)，样本顺序编号**(Vial**)，样本顺序子编号(Portion),分析的分子类型编码比如DNA，RNA(Analyte)，样本在96孔板中的顺序编号(Plate)，检测的数据分析机构(Center)。
我们这个时候选取了第14和15位数字， 就是样本组织类型(Sample)(常用的是01代表实体瘤和11代表实体瘤旁) ，详见：https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/sample-type-codes
接下来就可以进行简单可视化：
library(patchwork)
p1=DimPlot(sce,reduction = "tsne",label=T,repel = T,
group.by ='gp')
p2=DimPlot(sce,reduction = "umap",label=T,repel = T,
group.by ='gp')
p1+p2
可以看到，正常对照在每个癌症内部：
但是这个默认配色有点尴尬，这里顺便介绍一个 神器啊，https://colorbrewer2.org/ ，我们这里是7个分组，所以自己挑选一个配色就可以输出7个颜色啦！
加上自定义配色后，重新出图：
cl=c('#7fc97f','#beaed4','#fdc086','#ffff99','#386cb0','#f0027f','#bf5b17')
p1=DimPlot(sce,reduction = "tsne",label=T,repel = T,
cols = cl,
group.by ='gp')
p2=DimPlot(sce,reduction = "umap",label=T,repel = T,
cols = cl,
group.by ='gp')
p1+p2
效果如下所示：
这个时候，11这个数字所代表的就是癌旁这样的正常组织转录组数据，它基本上散步在各个癌症内部，并没有独立成为一个亚群！
如果是跟seurat的标准降维聚类分群进行对比，也可以看到：
只有这个16群是蛮纯粹的癌旁亚群，我们仔细看看它具体是什么癌症！
挺有意思的：
第16群，是肺癌的正常对照，包括肺鳞癌和非腺癌，是因为肺部特异性很大？只有肺癌的正常组织独立成群，其它癌症的正常组织都紧密结合在各自的癌症部位。 第13群都是03，代表Primary Blood Derived Cancer - Peripheral Blood，有因为它不是实体肿瘤，是血液瘤，所以对应LAML 这个癌症 第4群，是GBM和LGG，脑癌，它特异性的对应了02个标签，代表Recurrent Solid Tumor 而第8群，是SKCM，它里面的06标签最多，是Metastatic，也就是说皮肤癌取样的时候容易采集到转移瘤部位？