TCGA数据库使用教程：从入门到精通

TCGA（The Cancer Genome Atlas，癌症基因组图谱）是一个由美国国家癌症研究所发起的大型项目，旨在全面表征多种癌症的基因组、转录组、表观遗传组等多个层面的分子变化，它为全球的癌症研究者提供了海量的、公开的、经过高质量处理的多组学数据。

本教程将分为以下几个部分：

1. 第一部分：TCGA简介与核心概念
2. 第二部分：官方数据门户 - GDC (Genomic Data Commons)
3. 第三部分：非官方数据下载与处理工具
4. 第四部分：临床数据获取
5. 第五部分：数据格式解析
6. 第六部分：实战案例与进阶学习

第一部分：TCGA简介与核心概念

在开始之前,理解几个核心概念至关重要：

• 项目: TCGA按癌症类型组织数据，BRCA (乳腺癌), LUAD (肺腺癌), COAD (结肠癌) 等,你的研究第一步就是确定你要分析的项目。
• 数据类型: TCGA提供了多种“组学”数据，每种都有其独特的文件后缀。
  • 基因组学: WGS (全基因组测序), WXS (外显子组测序)，文件后缀通常为 .maf (突变注释格式), vcf (变异呼叫格式)。
  • 转录组学: RNA-Seq (RNA测序)，文件后缀为 .htseq_counts (原始计数), .fpkm 或 .fpkm_uq (FPKM标准化表达量), .tpm (TPM标准化表达量)。
  • 表观遗传学: Methylation (甲基化), ChIP-Seq (染色质免疫共沉淀测序)。
  • 临床数据: Clinical (患者的临床信息，如年龄、性别、分期、生存时间等)。
• 数据层级:
  • Level 1 (原始数据): 仪器直接输出的原始数据（如BAM文件），体积巨大,通常不直接使用。
  • Level 2 (处理后数据): 经过初步比对和处理的中间数据。
  • Level 3 (分析数据): 经过标准化和分析的最终数据，适合直接用于下游分析。FPKM/TPM 表达矩阵、MAF 突变文件等。我们通常直接下载 Level 3 的数据。

第二部分：官方数据门户 - GDC (Genomic Data Commons)

GDC 是目前官方推荐的数据访问和下载门户，取代了旧的 TCGA Data Portal，它功能强大,但界面可能对新手有些复杂。

1 GDC 数据探索器

这是浏览和下载数据的主要界面。

访问网址: https://portal.gdc.cancer.gov/

2 下载步骤（以下载BRCA的RNA-Seq FPKM数据为例）

1. 进入数据探索器:

   打开 GDC Portal，点击顶部的 "Explore" -> "Data".

2. 筛选项目:

   • 在左侧的 "Filters" 面板中，展开 "Cases" -> "Cases".
   • 在 "Project" 下拉菜单中，选择你感兴趣的项目，TCGA-BRCA。

3. 筛选数据类型:

   • 在左侧 "Filters" 面板中，展开 "Files" -> "Data Category".
   • 选择 Transcriptome Profiling.
   • "Data Type" 会自动出现，选择 Gene Expression Quantification.

4. 筛选文件格式:

   • 继续在 "Files" 中，展开 "Data Format".
   • 选择 FPKM-UQ (或你需要的格式，如 HTSeq - Counts)。

5. 查看并选择文件:

   • 中间的文件列表会显示所有符合条件的文件,每个文件都对应一个样本。
   • 你可以直接点击文件名查看详细信息。
   • 批量下载: 点击列表上方的 "Cart" (购物车) 图标,将你需要的所有文件加入购物车。

6. 下载文件:

   • 点击右上角的 "Cart" 图标进入购物车。
   • 你可以在这里再次确认文件列表。
   • 点击 "Download" 按钮，GDC 会生成一个 manifest 文件（一个包含所有下载链接的文本文件）。
   • 下载 manifest 文件后，你需要使用 GDC 提供的 Data Transfer Tool 来下载所有文件，这个工具是一个命令行工具，支持断点续传,适合下载大量数据。

注意： 直接在浏览器里点击下载大文件非常容易失败，强烈推荐使用 Data Transfer Tool。

3 GDC Data Transfer Tool 使用

1. 下载和安装:

   • 访问 GDC Data Transfer Tool 页面：https://gdc.cancer.gov/access-data/gdc-data-transfer-tool
   • 根据你的操作系统下载相应的版本,并解压。

2. 下载 Manifest 文件:

   • 按照上述步骤，在 GDC Portal 中将文件加入购物车并下载 .manifest 文件。

3. 运行下载命令:

   • 打开终端 (Windows下是CMD或PowerShell)，进入到你解压 Data Transfer Tool 的目录。
   • 运行以下命令：

     gdc-client download -m /path/to/your/download_manifest.txt

   • 这里的 /path/to/your/download_manifest.txt 是你刚刚下载的 manifest 文件的完整路径。
   • 工具会自动创建一个文件夹,并将所有文件下载到其中。

第三部分：非官方数据下载与处理工具

对于不熟悉命令行的用户，或者需要快速获取特定格式的矩阵数据（如表达矩阵）,非官方工具是更好的选择。

1 UCSC Xena

Xena 是一个基于 Web 的强大平台，它已经将 TCGA 数据预处理成了可以直接分析的矩阵格式,并且提供了交互式数据探索和可视化工具。

访问网址: https://xena.ucsc.edu/

优点:

• 无需下载: 可以直接在浏览器中进行简单的相关性分析、生存分析、绘制热图等。
• 格式友好: 数据已经是表达矩阵、临床信息矩阵，可以直接用于 R/Python 分析。
• 包含多种数据集: 除了TCGA,还包含其他公共数据集。

使用方法:

1. 点击 "Datasets" -> "Public Datasets".
2. 找到 "TCGA" 项目，然后选择你感兴趣的癌症类型（如 "TCGA BRCA"）。
3. 你会看到各种预定义的数据集，如 "RNAseq - FPKM-UQ", "RNAseq - Counts", "Clinical ( curated )" 等。
4. 点击 "Add to cart" 将数据集加入你的工作空间。
5. 在 "Your Cart" 中,你可以选择数据集进行探索和分析。

2 TCGAbiolinks (R/Bioconductor)

如果你是 R 语言用户，TCGAbiolinks 是一个功能极其强大的 R 包，它可以一站式完成数据查询、下载、处理和初步分析。

安装:

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

基本使用流程:

1. 查询数据:

   library(TCGAbiolinks)
   # 查询BRCA项目中所有可用样本的信息
   query <- GDCquery(project = "TCGA-BRCA",
                     data.category = "Transcriptome Profiling",
                     data.type = "Gene Expression Quantification",
                     workflow.type = "STAR - Counts")
   GDCquery(query)

2. 下载数据:

   # 将数据下载到指定目录
   GDCdownload(query, directory = "my_tcga_data")

3. 处理数据:

   # 将下载的数据转换为表达矩阵
   data <- GDCprepare(query, directory = "my_tcga_data")
   # 'data' 现在是一个 SummarizedExperiment 对象，可以直接用于下游分析
   expr_matrix <- assay(data) # 获取表达矩阵
   colData(data) # 获取样本信息

TCGAbiolinks 的优点是脚本化、可重复，并且与 R 生态无缝集成,是进行批量分析的首选工具。

第四部分：临床数据获取

临床数据对于理解分子特征与临床表型（如生存、分期）的关系至关重要，临床数据通常以 .tsv 或 .xlsx 格式提供。

获取方式:

1. 通过 GDC:

   • 在 GDC Data Explorer 中，筛选 Cases -> Clinical。
   • 选择 TCGA-BRCA 项目，然后点击 "Cart" -> "Download"，下载的 clinical.tsv 文件就包含了所有临床信息。

2. 通过 Xena:

   • 在 Xena 中，将 TCGA BRCA 项目下的 Clinical ( curated ) 数据集加入购物车,即可获得格式化的临床数据矩阵。

3. 通过 cBioPortal:

   • cBioPortal 是另一个优秀的癌症数据门户网站，它整合了TCGA数据,并提供了友好的临床数据浏览和下载界面。
   • 访问 https://www.cbioportal.org/，选择一个研究（如 "TCGA, Pan-Cancer Atlas"），然后点击 "Files" 标签页，可以下载包含临床数据的 data_clinical_sample.txt 和 data_clinical_patient.txt 文件。

第五部分：数据格式解析

了解常见文件格式有助于你正确处理数据。

• .tsv (Tab-Separated Values): 最常见的表格格式，可以用 Excel 或文本编辑器打开，GDC 和 Xena 的数据多用此格式。
• .fpkm / .tpm: RNA-Seq 表达量，FPKM 和 TPM 是两种标准化的表达量，TPM 更适合在不同基因间进行比较。
• .htseq_counts: 原始的 RNA-Seq 计数数据，是进行差异表达分析（如使用 DESeq2, edgeR）的首选输入。
• .maf (Mutation Annotation Format): 突变文件，详细记录了每个样本中基因发生突变的位置、类型、氨基酸变化等信息，可以用 maftools 等 R 包进行可视化分析。
• .cnv (Copy Number Variation): 拷贝数变异文件，通常以 .seg 格式存在,记录了基因组上不同区域的拷贝数变化。

第六部分：实战案例与进阶学习

一个简单的分析流程 (使用 R 和 TCGAbiolinks)

目标: 获取 TCGA-LUAD (肺腺癌) 患者的 RNA-Seq 计数数据和临床数据，并筛选出肿瘤组织和癌旁组织,用于后续的差异表达分析。

# 1. 加载包
library(TCGAbiolinks)
library(SummarizedExperiment)
library(dplyr)
# 2. 查询并下载数据
query <- GDCquery(project = "TCGA-LUAD",
                  data.category = "Transcriptome Profiling",
                  data.type = "Gene Expression Quantification",
                  workflow.type = "STAR - Counts",
                  # 只下载肿瘤样本，样本类型代码为 "Primary Tumor"
                  sample.type = c("Primary Tumor"))
GDCquery(query)
GDCdownload(query, directory = "LUAD_data")
# 3. 准备数据
data <- GDCprepare(query, directory = "LUAD_data")
# 4. 获取临床数据并合并
clinical <- colData(data)
# 查看样本类型列
head(clinical$sample_type)
# 假设我们只关心 "Primary Tumor" 和 "Solid Tissue Normal"
data <- data[, clinical$sample.type %in% c("Primary Tumor", "Solid Tissue Normal")]
# 5. 获取表达矩阵和临床信息
count_matrix <- assay(data)
clinical_info <- colData(data)
# count_matrix 和 clinical_info 就可以用于差异表达分析、生存分析等后续步骤了

进阶学习资源

• GDC 文档: https://docs.gdc.cancer.gov/ - 官方最权威的资料。
• TCGAbiolinks 文档: https://bioconductor.org/packages/release/bioc/html/TCGAbiolinks.html - 包含详细的函数说明和教程。
• cBioPortal 教程: https://www.cbioportal.org/study?id=luad_tcga - 在线学习如何使用其交互式界面。
• 视频教程: 在 YouTube 上搜索 "TCGA tutorial" 或 "GDC data download",可以找到很多由大学或研究机构制作的视频教程。

对于初学者，建议从 UCSC Xena 开始，快速了解数据，当你需要进行一个完整的、可重复的分析项目时，再深入学习 GDC Portal 和 TCGAbiolinks,祝你科研顺利！