TCGA 与公共肿瘤队列数据挖掘
TCGA（The Cancer Genome Atlas）收录了 33 种癌症类型的肿瘤及部分癌旁组织数据，涵盖 RNA-seq、miRNA、体细胞突变、拷贝数、DNA 甲基化和临床随访。TCGA 数据挖掘就是用这些公开数据回答具体问题：某基因是否在肿瘤中异常表达，是否与分期或生存相关，在哪些癌种中规律一致。常配合使用的公共肿瘤队列还有 TARGET、CPTAC、ICGC 及 cBioPortal 收录的研究。这类分析样本量大、成本低，适合提出假设和外部佐证，但结论属于相关性。
什么时候用
- 验证候选基因在某癌种肿瘤与癌旁中的表达差异
- 在 33 种癌症中做泛癌表达、突变频率或生存关联扫描
- 把基因表达与分期、分级、性别等临床特征做关联
- 比较不同突变或拷贝数状态的患者表达或预后差异
- 为自有小样本队列寻找大样本的公共数据佐证
- 给基因集或评分在公共队列中做预后验证
不适合的情况
- 需要原始测序 reads 重新分析时，受控数据要先申请 dbGaP 授权
- 癌旁正常样本很少的癌种，不宜只靠 TCGA 下肿瘤-正常差异结论
- 用公共数据相关性直接推断因果或药物疗效
需要准备的数据
- 表达矩阵
- GDC 的 STAR counts 或 Xena 的 log2 矩阵；先确认是计数、TPM 还是 FPKM，再选统计方法
- 临床与随访表
- 包含患者 ID、分期、年龄、生存状态和时间；建议优先使用 TCGA-CDR 整理过的生存终点
- 突变与拷贝数数据
- 公开的 masked somatic MAF 和基因水平拷贝数（如 GISTIC 阈值化结果），用于分组比较
- 目标基因或基因集
- 使用官方基因符号或 Ensembl ID，注意旧符号、别名和版本号后缀造成的匹配失败
分析步骤
- 1
明确问题和癌种
先写清楚比较对象（肿瘤对癌旁、高低表达、突变对野生型）和终点。单癌种还是泛癌决定了后续数据量和多重检验校正方式，范围越清楚，后面越少返工。
- 2
选择数据来源
需要原始计数时用 GDC（如 TCGAbiolinks 的 GDCquery、GDCdownload、GDCprepare）；做表达可视化和生存关联可用 UCSC Xena；查突变和拷贝数频率用 cBioPortal。记录下载日期和版本。
- 3
解析样本条形码
条形码前 12 位是患者 ID，第 14–15 位是样本类型：01 为原发实体瘤，11 为实体组织正常，06 为转移灶。按类型拆分样本，确认每组数量与官网一致。
- 4
去重与对齐临床
同一患者可能有多个 aliquot 或多个原发样本，按统一规则保留一个，避免重复计数。再用患者 ID 与临床表合并，检查合并后丢失了多少样本以及丢失原因。
- 5
表达与临床关联
肿瘤-正常比较优先用配对样本或计数模型；与分期、分级的关联用非参数检验或回归。泛癌分析时每个癌种单独检验，再对 P 值做 FDR 校正。
- 6
生存与分组分析
按表达或突变状态分组，画 Kaplan-Meier 曲线并做 Cox 回归。选择合适终点，检查各组事件数，事件数过少的癌种不纳入解读。
- 7
外部验证与整理
在 GEO、ICGC 或其他公共队列重复关键结论，并把数据来源、筛选条件、样本数写进方法部分。图表注明癌种缩写与样本量，便于复核。
关键参数与决策
表达量类型
做差异表达用原始 counts 配合 DESeq2 或 edgeR；做相关性、热图和分组可用 log2(TPM+1)。Xena 上多数矩阵已做 log2(x+1)，不要重复取对数。
正常对照来源
TCGA 癌旁样本少时，有人合并 GTEx 正常组织。两者实验流程不同，必须用统一重新定量的数据（如 Xena 的 TCGA-GTEx 联合处理矩阵），并在结论中说明这一局限。
生存终点
TCGA-CDR 为每个癌种整理了 OS、DSS、DFI、PFI 四种终点及适用建议。随访较短或死亡事件少的癌种，PFI 往往比 OS 更可靠，选择时以该建议为准。
分组切点
中位数分组最常用且易复现；最佳切点（如 surv_cutpoint）会夸大差异，若使用需在独立队列验证。泛癌分析应在所有癌种上用同一规则。
多重检验校正
泛癌扫描时检验次数等于癌种数乘以基因数，需用 Benjamini-Hochberg 控制 FDR，只解读校正后显著且方向一致的结果。
FFPE 与低纯度样本
TCGA 少数样本为 FFPE 或肿瘤纯度较低，会影响表达和突变结果。可利用 GDC 样本信息中的 FFPE 标记和公开纯度估计排除这些样本，或做敏感性分析确认结论稳定。
常见错误
- 把同一患者的多个样本都纳入分析：样本不独立会让 P 值偏小，生存分析中同一患者甚至会被算成两次事件。
- 直接用 FPKM 做 DESeq2 差异分析：模型要求原始整数计数，用标准化后的值会让离散度估计失真，差异基因数量不可信。
- 癌旁样本只有个位数时仍报告差异倍数和 P 值：统计功效不足，结果很容易在其他队列中无法重复。
- 把 GTEx 正常组织与 TCGA 肿瘤直接拼接比较：两者批次和处理流程不同，差异中混入大量技术效应。
- 随访时间单位混用（天与月）或把失访当作死亡：会直接改变生存曲线形状和 HR 方向。
- 泛癌结果只挑显著的癌种报告：会给读者造成普遍规律的错觉，应同时展示不显著和方向相反的癌种。
结果怎么看
泛癌表达箱线图
横轴是癌种缩写，每个癌种并排展示肿瘤与正常的表达分布并标注显著性。重点看差异方向是否在多数癌种一致；正常组样本极少的癌种，星号意义不大，应在图注中标出样本数。
临床特征关联表
列出表达与分期、T/N/M、分级、年龄的关联统计量和 P 值。若表达随分期单调变化，可信度高于只在某一分期有差异；分组样本过少时检验结果不稳定。
泛癌生存森林图
每行是一个癌种的 HR 与 95% 置信区间。看置信区间是否跨过 1、方向是否一致。置信区间很宽通常意味着事件数太少，不宜据此下结论。
突变与拷贝数分布图
如 cBioPortal 的 OncoPrint，展示基因在各样本中的突变、扩增、缺失。频率低于几个百分点的改变，后续分组比较时统计功效有限。
和相近方法怎么选
GDC、UCSC Xena 与 cBioPortal
GDC 是官方数据源，文件最完整，适合需要原始计数和重新处理的分析；Xena 提供整理好的矩阵和联合 GTEx 的数据，适合快速批量分析；cBioPortal 以突变、拷贝数和临床的交互浏览见长，适合查频率和共突变。
TCGA 挖掘与 GEO 挖掘
TCGA 样本量大、多组学和随访在同一批患者上，适合泛癌和多组学关联；GEO 数据集多、实验设计多样，适合找特定处理或亚型的队列。常见做法是 TCGA 发现、GEO 验证。
自行分析与 GEPIA 等在线工具
在线工具出图快，但分组规则、数据版本和统计方法是固定的，难以加入协变量或更换终点。投稿级分析建议下载原始数据自行处理，在线工具更适合初筛和快速查看。
常见问题
TCGA 数据从哪里下载最方便？
需要原始计数和完整文件时用 GDC Data Portal 或 R 包 TCGAbiolinks；只需要处理好的表达矩阵和临床表，UCSC Xena 下载更快；查突变频率和共突变关系，直接在 cBioPortal 网页查询并导出即可。
TCGA 样本编号中的 01A 和 11A 是什么意思？
条形码第 14–15 位代表样本类型，01 是原发实体瘤，11 是实体组织正常（癌旁），06 是转移灶；第 16 位字母代表样品管号，A 通常是第一管。做肿瘤-正常比较时按这两位拆分样本。
TCGA 生存分析用 OS 还是 PFI？
取决于癌种。死亡事件多、随访长的癌种可用 OS；随访短或预后较好的癌种，OS 事件太少，用 PFI 更合适。TCGA-CDR 对每个癌种给出了终点使用建议，可直接参考。
TCGA 和 GTEx 能一起做差异分析吗？
可以，但要用统一流程重新定量的数据，例如 Xena 中 TCGA 与 GTEx 联合处理的矩阵，不能把两个来源的矩阵直接拼接。即便如此，组织来源和采样条件不同，结论中需要说明这一局限。
泛癌分析需要做多重检验校正吗？
需要。每个癌种都是一次检验，同时分析多个基因时检验次数更多。建议用 Benjamini-Hochberg 方法控制 FDR，并在图中同时展示不显著的癌种，避免只报告阳性结果。
在 Codar 里怎么做
在 Codar 里说明癌种、目标基因和研究问题，Codar 先确认方案，再获取 TCGA 等公共肿瘤队列的表达、突变和临床数据，完成样本拆分、去重和临床对齐，做肿瘤-正常比较、临床关联、泛癌扫描以及 KM 与 Cox 预后分析，交付图表、统计表、报告和可复现脚本。结果仅供科研，不替代临床决策。
帮我看 SLC31A1 在 TCGA 泛癌中的肿瘤与正常表达差异，并在 LUAD 中按表达高低分组做 OS 和 PFI 生存分析
