使用TCGAbiolinks下载TCGA-DLBC数据时R报向量过长错误怎么办？

问题描述 #

使用TCGAbiolinks查询TCGA-DLBC的RNA-seq比对BAM文件时，getResults(query_TCGA)可正常返回结果，但执行GDCdownload(query_TCGA)时出现以下报错：

Downloading data for project TCGA-DLBC
GDCdownload will download: 11.806323702 GB
The total size of files is big. We will download files in chunks
At least one of the chunks download was not correct. We will retry
Error in 0:ceiling(nrow(manifest)/step - 1) :
result would be too long a vector

解决办法 #

1. 手动调整分块下载步长 #

报错源于默认分块逻辑生成的序列向量超出R的长度限制，可通过指定chunks.per.download参数缩小分块大小：

GDCdownload(query_TCGA, method = "api", chunks.per.download = 1)

可根据实际文件数量调整chunks.per.download的值（如1或2），避免生成过长的分块索引向量。

2. 使用GDC官方客户端下载 #

若R包的下载逻辑持续异常，可导出manifest文件后用GDC CLI工具下载：

• 导出manifest文件：

write.table(getManifest(query_TCGA), "TCGA-DLBC_manifest.txt", sep = "\t", row.names = FALSE, quote = FALSE)

• 用GDC CLI执行下载（需提前安装GDC客户端）：

gdc-client download -m TCGA-DLBC_manifest.txt

3. 更新TCGAbiolinks到最新版本 #

旧版本TCGAbiolinks可能存在分块下载的bug，更新到最新版可修复部分已知问题：

if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("TCGAbiolinks")

4. 单个文件单独下载 #

检查查询结果中的文件数量，若存在多个文件，可逐个单独下载：

• 提取所有文件ID：

file_ids <- getResults(query_TCGA)$file_id

• 循环下载每个文件：

for (id in file_ids) {
  query_single <- GDCquery(project = 'TCGA-DLBC', file.id = id)
  GDCdownload(query_single)
}

内容的提问来源于stack exchange，提问作者Mirue Kang