十分钟快速掌握TCGA mRNA及临床数据的下载

十分钟学会TCGA的下载技巧

大家好，我是阿琛。用别人的数据，发自己的文章。生信研究，从数据下载，对数据的标准化清洗，到随后的数据可视化分析，最终完成整篇文章的成稿。

烹饪需要食材，分析需要数据。数据出发，整个研究的第一步就是数据的下载。对于大部分的研究者而言，拿公开的高通量数据，进行二次分析，是最佳的选择途径。尽管肿瘤的发病率低于心血管疾病，但是肿瘤数据无疑是最为丰富的。对于肿瘤研究者而言，TCGA和GEO是其中最常见也是最熟悉的两大数据库，囊括了海量的数据信息。

数据库简介

今天，阿琛带大家一起走进TCGA数据库（https://cancergenome.nih.gov/）。TCGA，全称the Cancer Genome Atlas，是在2005年由美国发起的癌症和肿瘤基因图谱，旨在应用基因组分析技术研究癌症中的基因组变化，涉及33种癌症。

那么在TCGA数据库中，主要包括了哪些数据呢？

1) 测序数据：主要采用了RNA-Seq、WES、miRNA-Seq、Genotyping Array、Methylation Array这五种方式的测序数据，为我们提供了DNA甲基化，CNV拷贝数，SNP单核苷酸突变，转录组和非编码RNA等多个层次的数据，这为我们的数据挖掘和生信分析提供了多样的手段和途径；

2) 临床样本信息：Biospecimen、Clinical，包括性别、年龄、TNM分期等，完整的临床和随访信息为临床相关性分析，预后关联提供了途径，这也正是其巨大魅力所在。

基因表达数据的下载

目前对于TCGA数据下载的途径越来越多，包括著名的UCSC Xena网站，但是在这里，阿琛还是建议从官网下载相应的原始数据，毕竟这里数据的更新是最快最全的。TCGA官网提供了专门的数据下载窗口，即TCGA GDC (https://portal.gdc.cancer.gov/)。

1. 登入网站

我们可以总体浏览网站所包含的疾病、样本数等基本信息；点击“repository”按钮，进入下载界面；

温馨提示：在数据下载前，首先确认右上角的Cart已经清空，防止与上次下载的数据混淆

2. 在Files和Cases中选取疾病和数据类型

以胃癌 (STAD)的转录组数据为例:

在Cases栏中，Primary Site中选择Stomach， Program中选择TCGA，Project中选择TCGA-STAD，当然后面也可以对疾病的具体分型，性别，年龄，存活状态等进行选择；

在Files栏中，Data Category中选择transcriptome profiling（转录组分析），Data Type中选择Gene Expression Quantification（基因表达量），Workflow Type中选择HTSeq-Counts；

温馨提示：

1）在Gene Expression Quantification中既包括能编码蛋白的mRNA数据，同时也包含了非编码的lncRNA数据，在后期的数据清洗中可以进一步的分离；

2）对于miRNA的研究数据，在miRNA Expression Quantification中选择进行下载，但是注意了，不能同时点击两个一起下载；

3）在Workflow Type中，Counts，FPKM和FPKM-UQ分别代表三个不同的数据呈现形式。对于差异分析，我们一般选择下载Counts用于后续的研究分析；而如果对于单基因的研究，我们也可以选择经过标准化处理的FPKM数据形式。

3. 在选择好需要的数据集后

点击“Add All Files to Cart”，将所有需要的样品加入到Cart，点击右上角的Cart，进入下载界面：

1) Manifest：解释文件，样本信息

2) Cart：每个样本中的基因表达文件

对于文件较大的Cart文件，我们也可以通过TCGA提供的GDC tool工具包，通过下面的命令，对每个样品分别进行下载；

3) Metadata：提供样本名称对应的TCGA的ID

4) Clinical：样本对应的临床信息；

基因表达数据的清洗

当整个cart数据下载完成后，可以得到样品的表达数据，每一个样品都以独立的文件夹的形式存在，其中存在该样品的基因表达信息。为了得到可以用于后续分析使用的基因表达矩阵，随后需要进行的就是数据的清洗过程。

对于TCGA基因表达数据的清洗，主要包括表达数据的合并，样品名字与TCGA id名称的对应，以及基因Ensemble id号与基因名字转换的注释过程三个过程。目前对于数据的清洗过程，比较流行的主要是通过Perl或者R包对样品进行批量的合并与比对。下面，我们简单的介绍一下通过R来进行数据的整合分析。