前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
圈层
工具
MCP广场
文章/答案/技术大牛
发布
首页
学习
活动
专区
圈层
工具
MCP广场
返回腾讯云官网
社区首页 >专栏 >拷贝数变异（CNV）分析全家桶

拷贝数变异（CNV）分析全家桶

作者头像
用户11414625
发布于 2024-12-20 07:13:55
发布于 2024-12-20 07:13:55
1.3K00
代码可运行
举报
文章被收录于专栏：生信星球520生信星球520
运行总次数：0
代码可运行
关联问题
换一批

本文比较长，长到需要个目录 1.定义 2.TCGA拷贝数变异数据处理流程 2.1 数据下载 2.2 数据整理 3.GISTIC2.0 4.maftools可视化 找出感兴趣的区域里面的基因 5.基因层面的分析 5.1 文件和数值大小意义 5.2 差异CNV基因鉴定 5.3 棒棒糖图 6.与基因表达量联合分析 6.1 与表达量画箱线图 6.2 与表达量的相关性 7.生存分析

1.定义

拷贝数变异(Copy number variation,CNV)是由基因组发生重排而导致的,一般指长度为1kb以上的基因组大片段的拷贝数增加或者减少,主要表现为亚显微水平的缺失和重复。CNV是基因组结构变异(Structuralvariation,SV)的重要组成部分。CNV位点的突变率远高于SNP(Single nucleotide polymorphism), 是人类疾病的重要致病因素之一。

–来自百度百科

2.TCGA拷贝数变异数据处理流程

TCGA 的拷贝数变异主要是Affymetrix SNP6.0 array，处理流程在： https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/CNV_Pipeline/

有三个workflow：ASCAT,ABSOLUTE和DNAcopy，其中ASCAT流程能够生成具有整数拷贝数值的等位基因特异性拷贝数段数据，以及派生的整数基因级拷贝数。参考基因组是hg19

ABSOLUTE 参考基因组是hg19，在GDC出版物页面有论文发表。

DNAcopy ：进行循环二进制分割(CBS)将嘈杂的强度测量值转换为拷贝数相等的染色体区域。最终输出文件被分割成基因组区域，每个区域都有估计的拷贝数。GDC 进一步将这些拷贝数值转换为segment mean(段平均值)，该值等于 log2（copy-number/ 2）。二倍体区域的段均值为零，扩增区域的区段均值为正值，缺失区的区段均值为负值。参考基因组是hg38，产生Copy Number Segment or Masked Copy Number Segment，其中Masked是指去掉了生殖相关SNV的数据。

2.1 数据下载

我一般是喜欢用tcgabiolinks来下载，可以拿到最新的数据。

首先是下载Masked Copy Number Segment的数据，也就是上说的DNAcopy流程的结果。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
rm(list = ls())
library(TCGAbiolinks)
f = "masked.Rdata"
if(!file.exists(f)){
  query <- GDCquery(project = "TCGA-CHOL",
                  data.category = "Copy Number Variation",
                  data.type = "Masked Copy Number Segment")

  GDCdownload(query)
  seg <- GDCprepare(query) 
  colnames(seg)
  seg = seg[,c(7,2:6)]
  save(seg,file = f)
  write.table(seg,file = "seg.txt",row.names = F,quote = F,sep = "\t")
}
load(f)
head(seg)

## # A tibble: 6 × 6
##   Sample                       Chromosome   Start    End Num_Probes Segment_Mean
##   <chr>                        <chr>        <dbl>  <dbl>      <dbl>        <dbl>
## 1 TCGA-W5-AA2X-11A-11D-A416-01 1           3.30e6 1.04e8      58516      -0.001 
## 2 TCGA-W5-AA2X-11A-11D-A416-01 1           1.04e8 1.04e8          5      -0.972 
## 3 TCGA-W5-AA2X-11A-11D-A416-01 1           1.04e8 1.79e8      27859       0.0016
## 4 TCGA-W5-AA2X-11A-11D-A416-01 1           1.79e8 1.79e8          2      -1.26  
## 5 TCGA-W5-AA2X-11A-11D-A416-01 1           1.79e8 2.48e8      43396       0.0014
## 6 TCGA-W5-AA2X-11A-11D-A416-01 2           4.81e5 1.71e7      10742       0.008

length(unique(seg$Sample)) #人数

## [1] 85
#如果只需要tumor样本那么就：
#k = as.numeric(str_sub(seg$Sample,14,15))<10
#seg = seg[k,]

然后是下载markers file，在gdc网站的参考文件中能够找到它,下载后放在工作目录下。

https://gdc.cancer.gov/about-data/gdc-data-processing/gdc-reference-files

2.2 数据整理

此处有一句说明:If you are using Masked Copy Number Segment for GISTIC analysis, please only keep probesets with freqcnv = FALSE

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
marker = data.table::fread("snp6.na35.remap.hg38.subset.txt.gz",data.table = F)
head(marker)

##         probeid chr       pos strand type freqcnv   par
## 1 SNP_A-1780270   7  78970267      +  SNP    TRUE FALSE
## 2 SNP_A-1780271  15  33103578      +  SNP   FALSE FALSE
## 3 SNP_A-1780272   1 189838554      -  SNP    TRUE FALSE
## 4 SNP_A-1780274  20  35320106      -  SNP   FALSE FALSE
## 5 SNP_A-1780277  12  75270266      +  SNP   FALSE FALSE
## 6 SNP_A-1780278   1 218717316      +  SNP   FALSE FALSE

可以看到数据里缺失有freqcnv 列，内容是TRUE和FALSE

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
table(marker$freqcnv)

## 
##   FALSE    TRUE 
## 1595984  241523

marker = marker[!marker$freqcnv,] #只保留FALSE
marker =marker[,1:3]
colnames(marker) = c("Marker Name","Chromosome","Marker Position")
head(marker)

##     Marker Name Chromosome Marker Position
## 2 SNP_A-1780271         15        33103578
## 4 SNP_A-1780274         20        35320106
## 5 SNP_A-1780277         12        75270266
## 6 SNP_A-1780278          1       218717316
## 7 SNP_A-1780283          4       126709121
## 8 SNP_A-1780285          6        90209746

write.table(marker,file = "marker.txt",row.names = F,quote = F,sep = "\t")

colnames(marker)…那一句是把marker文件的列名修改为了GISTIC要求的名字。

至此，GISTIC2.0需要的输入文件就准备好了。

3.GISTIC2.0

https://broadinstitute.github.io/gistic2/

全称是Genomic Identification of Significant Targets in Cancer(癌症中重要靶点的基因组鉴定)，这是一个linux软件，GenePattern 网站上面有GISTIC模块，允许在线运行。

GISTIC可以识别基因组中在一组样本中被显著扩增或删除的区域，得到G-score和q值用于一组样本整体的可视化。

置信区间填0.99

然后拉到页面最后点run

正常的运行结果是有很多文件的，如果看到只有这三个文件那就是运行失败了。

出现这个结果的常见问题有：

1.markers文件要看清楚subset.txt.gz，不要下载错了 2.文件需要以tab为分隔符，所以上面的代码里sep = "\t"是不能少的。 3.markers文件的列名没改，所以上面的代码里colnames。。。那句代码是不能少的。

如果都排查完了还是三个文件，就试试不要上传markers。

打包下载并解压，放在工作目录下。

4.maftools可视化

这个是区域层面的分析，单个基因层面的在下一部分。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
library(maftools)
library(tidyverse)
laml.gistic = readGistic(gisticAllLesionsFile = "579436/all_lesions.conf_99.txt",
                         gisticAmpGenesFile = "579436/amp_genes.conf_99.txt", 
                         gisticDelGenesFile = "579436/del_genes.conf_99.txt", 
                         gisticScoresFile = "579436/scores.gistic", 
                         isTCGA = TRUE)

## -Processing Gistic files..
## --Processing amp_genes.conf_99.txt
## --Processing del_genes.conf_99.txt
## --Processing scores.gistic
## --Summarizing by samples

head(laml.gistic@data)

##    Hugo_Symbol Tumor_Sample_Barcode Variant_Classification Variant_Type
## 1:       CCND1         TCGA-W5-AA30                    Amp          CNV
## 2:        FGF4         TCGA-W5-AA30                    Amp          CNV
## 3:       FGF19         TCGA-W5-AA30                    Amp          CNV
## 4:       MYEOV         TCGA-W5-AA30                    Amp          CNV
## 5:      MRGPRD         TCGA-W5-AA30                    Amp          CNV
## 6:      MRGPRF         TCGA-W5-AA30                    Amp          CNV
##        Cytoband
## 1: AP_2:11q13.3
## 2: AP_2:11q13.3
## 3: AP_2:11q13.3
## 4: AP_2:11q13.3
## 5: AP_2:11q13.3
## 6: AP_2:11q13.3

ChromPlot，从左向右是全部的染色体。有颜色的部分突出了明显的扩增和删失区域,图上的文字例如”17q12”， “17” 指的是染色体编号，“q” 指的是长臂， “12” 是该臂上的具体区带或条带编号。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
gisticChromPlot(gistic = laml.gistic, ref.build = 'hg38',markBands = "all")
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
head(laml.gistic@gis.scores)

##    Variant_Classification Chromosome Start_Position End_Position fdr  G_Score
## 1:                    Amp          1        3301765      3530249   0 0.003032
## 2:                    Amp          1        3558079      4117838   0 0.000000
## 3:                    Amp          1        4118243      4402844   0 0.003870
## 4:                    Amp          1        4403866     21803810   0 0.000000
## 5:                    Amp          1       21804530     22275547   0 0.004227
## 6:                    Amp          1       22276873     32428780   0 0.000000
##    Avg_amplitude frequency
## 1:      0.406272  0.011765
## 2:      0.000000  0.000000
## 3:      0.258664  0.023529
## 4:      0.363623  0.011765
## 5:      0.142905  0.011765
## 6:      0.000000  0.000000

这个图的美化版本：https://blog.csdn.net/Ayue0616/article/details/127824394

Bubbleplot，横坐标是每个区域里发生拷贝数变异的样本数量，纵坐标是每个区域包含的基因数量，大小是按照每个区域的q值。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
gisticBubblePlot(gistic = laml.gistic)
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
head(laml.gistic@cytoband.summary)

##      Unique_Name nGenes nSamples Variant_Classification Cytoband
## 1:  DP_1:1p36.21    110       31                    Del  1p36.21
## 2:  DP_13:9p21.3      2       23                    Del   9p21.3
## 3:   DP_5:4q34.3     69       23                    Del   4q34.3
## 4:  AP_2:11q13.3     13       10                    Amp  11q13.3
## 5: DP_23:16q23.1      1        7                    Del  16q23.1
## 6:   DP_17:11q25   1635       14                    Del    11q25
##            Wide_Peak_Limits    qvalues
## 1:    chr1:8816334-14600926 4.9692e-26
## 2:   chr9:21865499-21997723 2.7424e-07
## 3: chr4:176330306-190214555 4.6580e-07
## 4:  chr11:68952543-69788268 2.4238e-04
## 5:  chr16:78095161-79593873 2.0617e-03
## 6:        chr11:1-135086622 3.5922e-03

OncoPlot,颜色太辣眼了必须得改改。。。

这个图一行是一个区域，一列是一个样本，展示每个区域在多少样本里发生了拷贝数变异。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
mycolor = c("#f87669","#2fa1dd")
names(mycolor) = c("Amp","Del")
gisticOncoPlot(laml.gistic,top = 20,colors = mycolor)
找出感兴趣的区域里面的基因
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
tmp = as.data.frame(laml.gistic@data[,c(1,5)])
library(tidyverse)
tmp = separate(tmp,col = Cytoband,into = c("cnv","cyto"),sep = ":")
head(tmp)

##   Hugo_Symbol  cnv    cyto
## 1       CCND1 AP_2 11q13.3
## 2        FGF4 AP_2 11q13.3
## 3       FGF19 AP_2 11q13.3
## 4       MYEOV AP_2 11q13.3
## 5      MRGPRD AP_2 11q13.3
## 6      MRGPRF AP_2 11q13.3

table(tmp$cnv)

## 
##  AP_1  AP_2  DP_1 DP_10 DP_11 DP_12 DP_13 DP_14 DP_15 DP_16 DP_17 DP_18 DP_19 
## 12825   130  3410  5460  1944 20615    46  4452    18  5421 22890 12069  2227 
##  DP_2 DP_20 DP_21 DP_22 DP_23  DP_3  DP_4  DP_5  DP_6  DP_7  DP_8  DP_9 
##  4760    28    28  6680     7 10136    17  1587  2168   150 26600  2222

k = tmp$Hugo_Symbol[tmp$cyto %in% c("1p36.21","11q25")] %>% unique()
length(k)

## [1] 1745

5.基因层面的分析

5.1 文件和数值大小意义

在GISTIC的输出结果里有4个genes.txt为结尾的文件

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
dir("579436/",pattern = "genes.txt$")

## [1] "all_data_by_genes.txt"        "all_thresholded.by_genes.txt"
## [3] "broad_data_by_genes.txt"      "focal_data_by_genes.txt"

其中：

all_data_by_genes.txt：包含基因在不同样本中具体的拷贝数数值。 all_thresholded.by_genes.txt：基因在不同样本中的拷贝数数值离散化后的结果，GISTIC2进一步将估计值阈值定为-2，-1,0,1,2，代表纯合子缺失、单拷贝缺失、二倍体正常拷贝、低水平拷贝数扩增或高拷贝数扩增。（ homozygous deletion,single copy deletion,diploid normal copy,low-level copy number amplification,or high-level copy number amplification） broad_data_by_genes.txt：只考虑臂级（arm-level）事件的基因在不同样本中具体的拷贝数数值。 focal_data_by_genes.txt：只考虑局灶性（focal）事件的基因在不同样本中具体的拷贝数数值。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
all_data = read.delim("579436/all_data_by_genes.txt",row.names = 1,check.names = F)
all_data[1:4,1:5]

##         Gene ID Cytoband TCGA-W5-AA2X-11A-11D-A416-01
## ACAP3    116983  1p36.33                       -0.003
## ACTRT2   140625  1p36.32                       -0.003
## AGRN     375790  1p36.33                       -0.003
## ANKRD65  441869  1p36.33                       -0.003
##         TCGA-W5-AA2X-10A-01D-A419-01 TCGA-W5-AA30-01A-31D-A416-01
## ACAP3                         -0.001                       -0.526
## ACTRT2                        -0.001                       -0.526
## AGRN                          -0.001                       -0.526
## ANKRD65                       -0.001                       -0.526

range(all_data[,-(1:2)])

## [1] -1.293  3.657

all_thr = read.delim("579436/all_thresholded.by_genes.txt",row.names = 1,check.names = F)
all_thr[1:4,1:5]

##         Locus ID Cytoband TCGA-W5-AA2X-11A-11D-A416-01
## ACAP3     116983  1p36.33                            0
## ACTRT2    140625  1p36.32                            0
## AGRN      375790  1p36.33                            0
## ANKRD65   441869  1p36.33                            0
##         TCGA-W5-AA2X-10A-01D-A419-01 TCGA-W5-AA30-01A-31D-A416-01
## ACAP3                              0                           -1
## ACTRT2                             0                           -1
## AGRN                               0                           -1
## ANKRD65                            0                           -1

range(all_thr[,-(1:2)])

## [1] -2  2

tmp = all_thr[,-(1:2)]
table(tmp[tmp!=0])

## 
##     -2     -1      1      2 
##   2021 218561 166880   8555

主要就看这两个文件啦。

对于这些数值大小的有好多种衍生的翻译

在timer2.0上面： “deep deletion”, “arm-level deletion”, “diploid/normal”, “arm-level gain”, and “high amplification”

在GSCA上面：Homozygous Deletion,Heterozygous Deletion,Heterozygous Amplification,Homozygous Deletion

Hete.(Heterozygous，杂合); Homo.(Homozygous，纯合)

5.2 差异CNV基因鉴定

翻了一些文献和github，可以根据是否有发生CNV将样本分成CNV（!=0）和Wild(==0)，或者是分成扩增(>0)、缺失(<0)和正常(==0)三个组，看tumor和normal样本中每个基因的CNV是否有差别,检验方法主要是卡方检验。

Y叔团队开发的GeoTcgaData包有现成的函数differential_CNV,但我用的时候发现有个问题，源代码里面有一句gene <- gsub("\\..*", "", rownames(cnvData)),代表把基因名中的点号后面的部分给去掉，这其实是给ensembel矩阵准备的。但如果是symbol为行名的矩阵，就要出错。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
if(!require(GeoTcgaData))BiocManager::install("GeoTcgaData")
library(GeoTcgaData)
cnv = all_thr[,-(1:2)]
rownames(cnv) = 1:nrow(cnv)
cnv[cnv >= 1] = 1
cnv[cnv <= -1] = -1
library(tinyarray)
group = make_tcga_group(cnv)
diffcnv = differential_CNV(cnv,group)

对这个源代码进行修改就比较麻烦，不如把行名改成数字，然后再替换回symbol就是了。

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
diffcnv$gene = rownames(all_thr)
rownames(cnv) = rownames(all_thr)
head(diffcnv)

##      gene      P.Value    adj.P.Val estimate
## 1   ACAP3 1.980127e-14 1.072074e-12        0
## 2  ACTRT2 1.980127e-14 1.072074e-12        0
## 3    AGRN 1.980127e-14 1.072074e-12        0
## 4 ANKRD65 1.980127e-14 1.072074e-12        0
## 5  ATAD3A 1.980127e-14 1.072074e-12        0
## 6  ATAD3B 1.980127e-14 1.072074e-12        0

table(diffcnv$P.Value<0.05)

## 
## FALSE  TRUE 
##  1452 24536

table(diffcnv$adj.P.Val<0.05)

## 
## FALSE  TRUE 
##  1452 24536
5.3 棒棒糖图

一组感兴趣的基因

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
my_gene = c("CXCL8", "FN1", "COL3A1", "ISG15", "COL1A2", "CXCL10", "ICAM1", "MMP9")
cnv = cnv[my_gene,group=="tumor"]

library(tidyverse)
cnv_df = as.data.frame(t(cnv)) %>% rownames_to_column("Sample")
cnv_long <- gather(cnv_df, key = "Gene", value = "CNV", 2:9)

# 统计每个基因的拷贝数变化样本比例
cnv_summary <- cnv_long %>%
  filter(CNV != 0) %>%  # 排除正常的样本
  group_by(Gene, CNV) %>%
  summarise(Freq = n()/ncol(cnv) *100) %>%
  ungroup() %>%
  mutate(CNV = ifelse(CNV>0,"Amp","Del"))
# 控制基因顺序
tmp = cnv_summary %>%
  group_by(Gene) %>%
  summarise(max = max(Freq)) %>%
  arrange(desc(max))
cnv_summary$Gene = factor(cnv_summary$Gene,levels = tmp$Gene)
# 使用 ggplot2 绘制点图
library(ggplot2)
ggplot(cnv_summary, aes(x = Gene, y = Freq)) +
  geom_segment( aes(x=Gene, xend=Gene, y=0, yend=Freq),color = "grey",linewidth = 3) +
  geom_point(aes(color = CNV),size = 5) +
  scale_color_manual(values = c("Del" = "#2fa1dd", "Amp" = "#f87669")) +
  theme_minimal()

6.与基因表达量联合分析

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
cnv_thr = as.matrix(all_thr[,colnames(cnv)])
cnvall = as.matrix(all_data[,colnames(cnv)])
library(tinyarray)
load("D:/TCGA_RNA_seq/tpm/chol_tpm.Rdata")
exp = trans_exp_new(chol_tpm)
exp = log2(exp+1)
colnames(exp) = str_sub(colnames(exp),1,16)
colnames(cnv_thr) = str_sub(colnames(cnv_thr),1,16)
colnames(cnvall) = str_sub(colnames(cnvall),1,16)

s = intersect(colnames(cnv_thr),colnames(exp))
exp = exp[my_gene,s]
cnv_thr = cnv_thr[,s]
cnvall = cnvall[,s]
6.1 与表达量画箱线图
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
g = "ISG15"
dat = data.frame(mrna = exp[g,],
                 cnv = as.factor(cnv_thr[g,]),
                 cnvscore = cnvall[g,])
head(dat)

##                      mrna cnv cnvscore
## TCGA-W5-AA30-01A 6.839125  -1   -0.526
## TCGA-W5-AA2W-01A 7.535962  -1   -0.889
## TCGA-ZH-A8Y4-01A 5.859495  -1   -0.802
## TCGA-W5-AA2Z-01A 8.296128   0    0.027
## TCGA-W6-AA0S-01A 7.077692  -1   -0.765
## TCGA-W5-AA33-01A 6.458971  -1   -0.409

table(dat$cnv)

## 
## -2 -1  0  1 
##  1 27  6  1

library(ggplot2)
ggplot(dat,aes(cnv,mrna,fill = cnv))+
  geom_boxplot()+
  scale_fill_brewer(palette = "Set1")+
  theme_minimal()
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
library(ggstatsplot)
ggbetweenstats(dat,x = "cnv",y = "mrna",drop = F)
6.2 与表达量的相关性

还是上面的数据

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
corscatterplot(dat,x = "cnvscore",y = "mrna")

7.生存分析

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
surv = read.delim("D:/TCGA_RNA_seq/survival/TCGA-CHOL.survival.tsv",row.names = 1)
head(surv)

##                  OS    X_PATIENT OS.time
## TCGA-W5-AA31-01A  0 TCGA-W5-AA31      10
## TCGA-W5-AA31-11A  0 TCGA-W5-AA31      10
## TCGA-WD-A7RX-01A  1 TCGA-WD-A7RX      21
## TCGA-YR-A95A-01A  1 TCGA-YR-A95A      26
## TCGA-4G-AAZR-11A  1 TCGA-4G-AAZR      28
## TCGA-4G-AAZR-01A  1 TCGA-4G-AAZR      28

colnames(surv)[c(1,3)] = c("event","time") 
s = intersect(colnames(cnv_thr),rownames(surv))
surv = surv[s,]
cnv_thr = cnv_thr[,s]
g = "ISG15"
cnv_group = ifelse(cnv_thr[g,]==0,"Wild","CNV")
cnv_group = factor(cnv_group,levels = c("Wild","CNV"))
draw_KM(surv,cnv_group)
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2024-05-02，如有侵权请联系 cloudcommunity@tencent.com 删除
dp
txt
可视化
数据
data

本文分享自 生信星球 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ，欢迎热爱写作的你一起参与！

dp
txt
可视化
数据
data
评论
登录后参与评论
0 条评论
热度
最新
登录 后参与评论
推荐阅读
甲骨文数据库19c版本安装
网络数据库oracle容器登录
我在测试甲骨文数据库的坑 需要使用老版本，19c, 而免费版只有最新版。（免费版23ia直接安装虚拟机没这个问题）
繁华是客
2024/08/07
1550
CentOS8安装Oracle datebase 19C
oraclebashbash 指令yum
我这里安装Oracle数据库是rpm格式的包。需要先得有以下依赖包关系，先依次按此顺序安装。
小陈运维
2021/10/13
1.5K0
Oracle 19c 之 RPM 包安装初体验（一）
oracle数据库httpssql网络安全
Oracle 自18c 开始，便已经提供Linux 环境单机的 rpm 安装方式，不过仅支持单实例安装，不支持集群，也只有企业版，其他版本的没有发布，不过有2.5 G 大小。
JiekeXu之路
2020/06/22
2.8K0
Oracle 19c 之 RPM 包安装初体验（一）
oracle 数据库RPM安装方式
oracleyum数据库sql
下载RPM包 Oracle Database Software Downloads 下载Linux x86-64 对应的RPM oracle-database-ee-19c-1.0-1.x86_64.rpm oracle-database-preinstall-19c-1.0-1.el7.x86_64.rpm compat-libcap1-1.10-7.el7.x86_64.rpm compat-libstdc+±33-3.2.3-72.el7.x86_64.rpm
用户2038009
2021/03/08
1.1K0
丝般润滑：Oracle 18.3 RPM安装从未有过的顺畅初体验
oraclelinux数据库yumhttp
自 Oracle 18c 开始，Oracle开始支持 Linux 上的 Oracle 数据库 RPM 安装方式，虽然刚刚发布还有一些限制，但是这无疑开始改变，目前的限制包括：
数据和云
2018/11/08
8760
Oracle 19c之RPM安装
oraclelinuxhttps网络安全html
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
bisal
2019/09/18
4.9K0
Oracle 19c之RPM安装
Oracle 19C的下载和安装部署（图形安装和静默安装）
linuxoracle数据库sqlbash
Oracle Database 19c ，也就是12.2.0.3，最初在livesql.oracle.com上发布，是Oracle Database 12c和18c系列产品的最终版本，因此也是“长期支持”版本（以前称为“终端版本”）。 “长期支持”意味着Oracle Database 19c提供4年的高级支持（截止到2023年1月底）和至少3年的延长支持（截至2026年1月底）。 这个扩展的支持窗口对我们的很多客户至关重要，因为很多客户制定了相关的升级策略。有关最新的Oracle支持计划，请参阅My Oracle Support上的文档ID 742060.1。截止目前，Oracle Database 19c已经可以在Oracle数据库一体机上使用了。
AiDBA宝典
2019/09/29
17.9K0
Oracle 19C的下载和安装部署（图形安装和静默安装）
【Oracle】手动安装和卸载Oracle，这是最全的一篇了！！
oracle数据库sqlcentoslinux
作者个人研发的在高并发场景下，提供的简单、稳定、可扩展的延迟消息队列框架，具有精准的定时任务和延迟队列处理功能。自开源半年多以来，已成功为十几家中小型企业提供了精准定时调度方案，经受住了生产环境的考验。为使更多童鞋受益，现给出开源框架地址：
冰河
2020/10/29
9740
【Oracle】手动安装和卸载Oracle，这是最全的一篇了！！
非Oracle Linux下安装Oracle 19c
oracle数据库sqllinux
《Oracle 19c之RPM安装》介绍了在Oracle Linux平台下安装Oracle 19c的过程，其实无论是19c，还是11g，用Oracle Linux会为你省不少的事情，毕竟同为Oracle产品，从推广角度看，肯定会相对其他平台提供更多的便利性，例如提前预安装了需要的Package，设置了信号量，创建了各种账号、路径和权限。
bisal
2020/03/12
2.9K0
Oracle 19C 静默安装 GoldenGate
oracle
https://edelivery.oracle.com/osdc/faces/SoftwareDelivery
OrangeDBM
2023/09/06
3630
centos安装oracle
oracleyumc++gcc
切换root用户 1、建用户 groupadd oinstall groupadd dba useradd -g oinstall -G dba oracle passwd oracle id oracle 2、配置文件路径 mkdir /u01/oracle/app/oraInventory #oracle数据库安装目录 mkdir /u01/oracle/app/oracle #oracle数据库配置文件目录 mkdir /u01/oracle/app/oracle/product #oracle数据库软件包解压目录 3、配置目录权限 chown -R oracle:oinstall /u01/oracle 4、配置镜像 mkdir /media/iso 拷贝镜像源到指定位置，比如 /software/CentOS-7-x86_64-DVD-1708.iso mount -t iso9660 /software/CentOS-7-x86_64-DVD-1708.iso /media/iso/ df -h #查看 cd /etc/yum.repos.d/ rm -rf * #删除前先备份 vi local-centos7-iso.repo #内容如下： ############################################################################## [Server] name=Server baseurl=file:///media/iso enabled=1 gpgckeck=0 ############################################################################## yum clean all yum update
sucl
2019/08/07
1.1K1
oracle dba工作笔记：运维、数据迁移与性能调优
oraclenode.jsc++httpcentos
groupadd oinstall groupadd dba useradd -g oinstall -G dba oracle passwd oracle
用户5760343
2022/05/20
5210
oracle dba工作笔记：运维、数据迁移与性能调优
CentOS7安装Oracle11G完整版图文教程
kerneloraclebashbash 指令数据库
系统环境：CentOS Linux release 7.4.1708 (Core) Oracle版本：Oracle Database 11g R2
全栈程序员站长
2022/09/02
4.1K0
ORACLE 19C RPM单机完整安装过程
oracle
ORACLE_HOME目录位于：/opt/oracle/product/19c/dbhome_1
Lucifer三思而后行
2021/08/17
1.2K0
【DB宝3】在Docker中使用rpm包的方式安装Oracle 19c
容器https网络安全数据库容器镜像服务
CentOS 7安装Docker官网: https://docs.docker.com/engine/install/centos/
AiDBA宝典
2020/07/02
2K0
使用RPM软件包安装Oracle Database 18c
oracle数据库sqlc++
Oracle官方已放出18c企业版的RPM安装包，但仅限于单机版。相对于之前的版本，省去了前期规划配置的繁琐步骤。
星哥玩云
2022/08/17
8220
使用RPM软件包安装Oracle Database 18c
实战：如何在 LINUX 8.0 上安装 Oracle 11.2.0.4（文内有快速配置安装脚本）
脚本配置系统oraclelinux
写这个测试的主要原因是前一阵群里大佬们一直在讨论如何在REDHAT8.0上安装ORACLE 11G，我还好奇了，现在一般不是都用7.9来跑11G么
JiekeXu之路
2024/04/15
1.2K0
实战：如何在 LINUX 8.0 上安装 Oracle 11.2.0.4（文内有快速配置安装脚本）
Oracle 19c快速安装部署
oracle开源数据库sql
最近学习开源，发现不止MySQL，很多开源的产品都有个特点：安装简单。 而回过头来看传统的Oracle确实是太重了，在这个用户产品快速更新迭代的时代下，如果数据库这类基础产品的安装部署都需花费很长时间显然是有些跟不上节奏的。 不过Oracle其实也没有固步自封，较新版本中也推出了很多简化的特性，比如在19c中已经引入了rpm的安装方式。最近在给同事准备一套19c单实例的测试环境时，就尝试了下这个rpm的安装方式，整体来说还是很方便的。
Alfred Zhao
2020/07/07
1.2K0
Oracle Linux 8.0 静默安装Oracle 19C
oraclebashbash 指令数据库数据分析
环境准备工具目前不支持OL8，所以需要手动安装，首先设置内核参数，在/etc/sysctl.conf追加
星哥玩云
2022/08/18
2.6K0
Oracle Linux 8.0 静默安装Oracle 19C
以CentOS 6.8系统为例部署Oracle 11g RAC和DNS配置
oraclebashbash 指令yumlinux
[root@rac01 ~]# vi /etc/hosts 127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4 ::1 localhost localhost.localdomain localhost6 localhost6.localdomain6
星哥玩云
2022/08/16
8340
以CentOS 6.8系统为例部署Oracle 11g RAC和DNS配置
推荐阅读
编辑精选文章
万字详解高可用架构设计Go 开发者必备：Protocol Buffers 入门指南10分钟带你彻底搞懂分布式链路跟踪
相关讨论
prometheus根据标签值中的某个值设置告警规则？prometheus配置告警推送至企业微信群？基础告警ping不可达，按规则自救无效？
相关课程
AI驱动的TDSQL-Cserverless实战营数字化IT从业者知识体系区块链
甲骨文数据库19c版本安装
1550
CentOS8安装Oracle datebase 19C
1.5K0
Oracle 19c 之 RPM 包安装初体验（一）
2.8K0
oracle 数据库RPM安装方式
1.1K0
丝般润滑：Oracle 18.3 RPM安装从未有过的顺畅初体验
8760
Oracle 19c之RPM安装
4.9K0
Oracle 19C的下载和安装部署（图形安装和静默安装）
17.9K0
【Oracle】手动安装和卸载Oracle，这是最全的一篇了！！
9740
非Oracle Linux下安装Oracle 19c
2.9K0
Oracle 19C 静默安装 GoldenGate
3630
centos安装oracle
1.1K1
oracle dba工作笔记：运维、数据迁移与性能调优
5210
CentOS7安装Oracle11G完整版图文教程
4.1K0
ORACLE 19C RPM单机完整安装过程
1.2K0
【DB宝3】在Docker中使用rpm包的方式安装Oracle 19c
2K0
使用RPM软件包安装Oracle Database 18c
8220
实战：如何在 LINUX 8.0 上安装 Oracle 11.2.0.4（文内有快速配置安装脚本）
1.2K0
Oracle 19c快速安装部署
1.2K0
Oracle Linux 8.0 静默安装Oracle 19C
2.6K0
以CentOS 6.8系统为例部署Oracle 11g RAC和DNS配置
8340
相关推荐
甲骨文数据库19c版本安装
更多 >
程序员欣宸0
LV.3
字节跳动程序员
文章
757
获赞
2.2K
专栏
1
目录
  • 1.定义
  • 2.TCGA拷贝数变异数据处理流程
    • 2.1 数据下载
    • 2.2 数据整理
  • 3.GISTIC2.0
  • 4.maftools可视化
    • 找出感兴趣的区域里面的基因
  • 5.基因层面的分析
    • 5.1 文件和数值大小意义
      • 5.2 差异CNV基因鉴定
      • 5.3 棒棒糖图
  • 6.与基因表达量联合分析
    • 6.1 与表达量画箱线图
    • 6.2 与表达量的相关性
  • 7.生存分析
加入讨论
的问答专区 >
架构师之路0
1技术VP擅长5个领域
相关课程
一站式学习中心 >
AI驱动的TDSQL-Cserverless实战营
1417人在学
云原生数据库 TDSQL-C
数字化IT从业者知识体系
389人在学
CODING DevOps
软件开发
区块链
289人在学
区块链
领券

腾讯云开发者

扫码关注腾讯云开发者

扫码关注腾讯云开发者

领取腾讯云代金券

热门产品

热门推荐

更多推荐

Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

Copyright © 2013 - 2025 Tencent Cloud.

All Rights Reserved. 腾讯云 版权所有

登录 后参与评论
1
3