如何将cBioPortal中LUSC的RSEM归一化RNA-seq数据转为TPM值？

首先明确：cBioPortal下载的data_mrna_seq_v2_rsem.txt中，rsem.genes.normalized_results通常是FPKM（或上四分位数归一化的FPKM），但最准确的TPM转换应该基于原始RSEM期望计数（expected count）+ 基因长度信息。以下是两种可行方案：

方法一：基于原始期望计数（推荐） #

步骤1：获取基因平均转录本长度 #

RSEM计算表达量时使用的是基因的加权平均转录本长度，你需要对应数据：

• 可从Ensembl/NCBI下载参考基因组GTF文件（如hg19/hg38），提取转录本长度后计算基因平均值；
• 用R的biomaRt包直接从数据库获取：

library(biomaRt)
mart <- useMart("ensembl", dataset = "hsapiens_gene_ensembl")
# 替换为你数据中的基因ID列（如Ensembl ID）
gene_ids <- unique(read.delim("data_mrna_seq_v2_rsem.txt", skip=2)$ensembl_gene_id)
gene_lengths <- getBM(attributes = c("ensembl_gene_id", "transcript_length"),
                      filters = "ensembl_gene_id", values = gene_ids, mart = mart)
# 计算每个基因的平均转录本长度
avg_length <- aggregate(transcript_length ~ ensembl_gene_id, data = gene_lengths, mean)

步骤2：读取表达数据 #

# 跳过文件开头的注释行（cBioPortal文件通常有2行注释）
expr_data <- read.delim("data_mrna_seq_v2_rsem.txt", skip = 2)
# 提取原始期望计数列（列名含"expected_count"）
count_matrix <- expr_data[, grepl("expected_count", colnames(expr_data))]
# 保留基因ID列
gene_info <- expr_data[, c("ensembl_gene_id", "Hugo_Symbol")]

步骤3：计算TPM #

# 合并基因长度数据
merged_data <- merge(gene_info, avg_length, by = "ensembl_gene_id")
merged_counts <- cbind(merged_data, count_matrix)

# 计算RPK：count / (基因长度/1000)（长度单位转换为kb）
rpk_matrix <- merged_counts[, 4:ncol(merged_counts)] / (merged_counts$transcript_length / 1000)

# 计算每个样本的RPK总和
sum_rpk <- colSums(rpk_matrix, na.rm = TRUE)

# 计算TPM：(RPK / 样本RPK总和) * 1e6
tpm_matrix <- t(t(rpk_matrix) / sum_rpk) * 1e6

# 整理最终结果
final_tpm <- cbind(merged_data[, c("ensembl_gene_id", "Hugo_Symbol")], tpm_matrix)

方法二：直接从FPKM转换（仅适用于未做额外归一化的FPKM） #

如果文件中只有FPKM值（无原始count），可通过以下公式转换：

TPM_i = (FPKM_i / 样本内所有基因FPKM总和) × 10^6

R代码实现：

expr_data <- read.delim("data_mrna_seq_v2_rsem.txt", skip = 2)
# 提取FPKM列（列名含"FPKM"）
fpkm_matrix <- expr_data[, grepl("FPKM", colnames(expr_data))]

# 计算每个样本的FPKM总和
sum_fpkm <- colSums(fpkm_matrix, na.rm = TRUE)

# 转换为TPM
tpm_matrix <- t(t(fpkm_matrix) / sum_fpkm) * 1e6

# 整理结果
final_tpm <- cbind(expr_data[, c("ensembl_gene_id", "Hugo_Symbol")], tpm_matrix)

关键注意事项 #

• 基因ID一致性：确保表达数据与长度数据的基因ID类型完全匹配（如均为Ensembl ID或HGNC符号）；
• 缺失值处理：若存在基因长度缺失，建议直接过滤该基因，避免偏差；
• 归一化影响：如果FPKM经过上四分位数、分位数等归一化处理，直接转换会引入误差，优先选择方法一。

内容的提问来源于stack exchange，提问作者Mahanish Jung Thapa