如何高效挖掘TCGA数据库病理生存数据？

听说TCGA数据库中收录了1000+乳腺癌病人的数据，我是研究三阴性乳腺癌的，怎么才能筛选出这些样本进行单独分析呢？

看完这期文章，相信你会有答案。

TCGA（The Cancer Genome Atlas）,癌症和肿瘤基因图谱计划,通过应用基因组分析技术，特别是采用大规模的基因组测序，将人类全部癌症（33种癌症，20000多样本量）的基因组变异图谱绘制出来，并进行系统分析，旨在找到所有致癌和抑癌基因的微小变异，了解癌细胞发生、发展的机制,在此基础上取得新的诊断和治疗方法，最后勾画出整个新型“预防癌症的策略”。该计划由美国国家癌症和肿瘤研究所（NCI）和国家人类基因组研究所(NHGRI）联合进行。

在网站上我们能看到对于该项目详细解释，疾病、病例、样本以及数据的介绍，以及该项目迄今为止的研究成果。TCGA数据库已经在16年初公告停止更新，并将数据下载功能迁移。吉凯在很早就已经开始使用这个数据库的数据为客户提供分析，放几张13年的网站截图，这是当时我们用于内部培训时的留存资料。

当时的网站首页长这样：

当时的数据下载页面还很原始，并且只能网页下载或者挂迅雷：

现在的数据下载已经迁移至GDC网站，而且数据经过多次标准化流程重分析，更符合现在的研究背景。

对于TCGA数据库，网上能搜索到很多的攻略和资料：其中一大类是基于R语言的代码操作，针对数据库中的组学数据如何进行下载和分析；另外一类是数据库类的介绍文章，对于数据库种包含了什么疾病、样本、组学数据等等信息进行介绍。除了这些学习笔记类的信息分享，还有一些网站如ualcan、Kaplan-Meier plotter等，直接提供了TCGA部分组学数据以及生存分析的结果，方便医学生们快速获取信息。

但是对于各位从事癌症研究的老师，这些信息很难精准满足细节的应用需求。如何能快速知道自己研究的癌症方向在数据库中都收录了哪些样本？这些病人对应的临床病理信息都有哪些？有没有细致的疾病亚型信息？有没有生存期相关的数据？这些病人有没有相应的治疗方案和疗效数据？

为了解决这些问题，今天我们聊聊如何能快速网页获取TCGA数据库的病理、治疗相关文件，便于我们判断这个数据库里收录的样本是否满足我们的分析需求。

以TCGA-LIHC（肝癌）为例，首先进入GDC网站首页，按照箭头方向点击选取数据库-TCGA、疾病类型-LIHC：

然后到左侧栏选取Data Category-clinical以及Data Format-bcr biotab，会出现8个文本文件，选取框出的四个文件后添加购物车：

点击进入购物车-下载购物车文件，稍加等待就会获得一个含这四个文件的压缩包。

解压后会获得以下四个文件：

☑ LIHC疾病收入的377个病人的详细病理生存信息，包括但不限于病人的年龄、性别、疾病史、肝病史、病毒感染史、病理分级grade、临床分析TNM stage等等

☑ 后续补充的跟踪随访信息，根据收录日期可以对第一个文件进行补充更新

☑ 病人化疗信息

☑ 病人放疗信息

根据以上四个文件里的详细信息，就可以充分了解该数据库收录的样本是否满足自己的研究需求。针对病理和预后分析，也可以根据个性化需求进行病人样本选取，得到更加精准的研究结果。

TCGA的每一个样本（case）都有对应的条形码（barcode）信息，格式为TCGA-XX-XXXX。通过这一信息，可以将不同组学的数据与病理数据进行匹配。

以TCGA-LIHC的RNAseq为例，展示一下如何获取该组学数据样本信息表，选取数据库和疾病后，同样跳转左侧信息条，进行如下选择：

在Tissue Type部分选择tumor后，Tumor Descriptor部分会有多种选项，原位瘤、复发瘤和转移瘤等，肝癌这里显示有3个病人提供了复发瘤样本。这里只选取371个原位瘤样本，点击左侧的Sample Sheet进行样本信息下载。（点击右侧的Manifest下载，可以作为TCGA的下载工具的输入文件下载这371个文件。）

下载后点击就能看到含RNAseq数据的样本信息，使用这个Case ID与病理数据的进行匹配，就可以知道我们选取的样本是否包含RNAseq数据。

总结一下，现实中的大多数研究都是针对某个疾病亚型，或者某些对治疗有特殊反应的样本进行的。TCGA的样本包含详细的病人临床信息，可以用于精准分析。今天的分享可以让各位老师以最快的速度，了解自己的研究方向是否可以在TCGA数据库中找到对应的样本，以及这些样本是否有对应的组学数据。

相关病理挖掘更多更想尽的信息，还可以关注8月13日的直播。