TCGA数据分析避坑指南 - 资深生信人的经验总结

最新推荐文章于 2025-09-10 22:12:30 发布

原创最新推荐文章于 2025-09-10 22:12:30 发布 · 3.4k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#数据分析 #数据挖掘

R生信分析同时被 2 个专栏收录

3 篇文章

订阅专栏

R进阶学习

3 篇文章

订阅专栏

该文章已生成可运行项目，

你真的了解TCGA数据么？

引言

癌症基因组图谱（The Cancer Genome Atlas，TCGA）是一个由美国国家癌症研究所（NCI）和美国国立人类基因组研究所（NHGRI）联合发起的大规模癌症基因组学项目。自2006年启动以来，TCGA已成功收集和分析了多个癌症类型的基因组数据，并且为研究癌症的分子机制、诊断标志物的发现以及靶向治疗的开发提供了丰富的数据资源。TCGA的核心数据包括基因表达、DNA甲基化、突变谱、拷贝数变异等多维度数据，这些数据对癌症的研究有着巨大的推动作用。

TCGA命名规范：

TCGA数据库中的样本数据都有严格的命名规范，帮助研究者快速识别和区分不同的样本及其特征。TCGA的命名规则一般由以下部分组成：

2024-12-19 101810.png

TCGA（Project）: 表明来源为癌症基因组图谱 (Project)。例如，所有TCGA样本名均以"TCGA"开头，标志该样本属于癌症基因组图谱项目。
组织来源编码（TSS, Tissue source site）: 组织来源编码，表示样本来源的具体机构或医院。例如，A6表示该样本来自Christiana Healthcare中心。
患者编号（Participant）: 代表具体患者的唯一标识符。例如，8615为该患者的唯一标识符。
样本类型（Sample）: 样本类型编号，表示样本的类型，01-09表示肿瘤样本，10~19表示正常对照。如上图，01则表示该样本为肿瘤样本
样本容器（Vial）: 样本容器编号，通常为A，极少数为B。B表示福尔马林固定石蜡包埋组织，效果较差。例如，A表示该样本来自于冰冻组织（Frozen Tissue），B表示样本来自于福尔马林固定石蜡包埋组织（FFPE）。
组织部分编号（Portion）: 表示同一患者组织的不同部分的顺序编号。例如，11表示该样本来自该患者的第11部分组织。
分析分子类型（Analyte）: 表示样本所分析的分子类型，例如RNA或DNA等。例如，R表示该样本用于RNA分析。
板号（Plate）: 表示样本在96孔板中的顺序，值越大表示制板时间越晚。例如，2403表示样本在96孔板中的顺序号。
测序中心（Center）: 标识样本测序的具体中心。例如，07表示该样本由某个特定的测序中心进行测序。

这种命名方式使得研究人员能够在复杂的多样本、多数据类型中快速准确地识别并管理样本。

数据预处理

2024-12-19 112205.png

在开始TCGA数据的后续分析之前，数据预处理是至关重要的步骤，主要包括以下几个方面：

名称转化：TCGA数据中的基因名称可能存在不同格式，比如有时是ENSG00000000003.15这种转录本ID，或者是基因的符号（如TP53）。因此，首先需要进行名称转化，确保所有的基因名称统一，方便后续的分析。
数据清洗与格式化：由于TCGA数据来自不同的样本和不同的机构，因此数据可能存在缺失值、格式不统一等问题。首先需要对数据进行清理，删除无关的变量，填补缺失值，标准化数据格式。
数据标准化：不同的测量平台和数据类型之间的量纲可能不同，因此需要对数据进行标准化。例如，基因表达数据通常会进行TPM（Transcripts Per Million）或FPKM（Fragments Per Kilobase Million）标准化，以便不同样本之间的比较。
样本拆分：TCGA数据中通常包括肿瘤和正常组织样本。在分析之前，需要根据患者的编号将样本拆分为肿瘤组织和正常组织，确保数据能够正确地进行分组和比较。

完成预处理后，数据便可以用于后续的分析任务，如差异表达分析、预后分析、突变分析等。

数据分析与应用场景

1. 差异分析：选择哪些样本进行对比

差异分析（Differential Expression Analysis）通常用于比较肿瘤样本与正常样本之间的基因表达差异。这时，我们需要选择以下数据：

肿瘤样本：例如上图所示， TCGA-73-4658-01A-01R-1755-07，TCGA-44-2661-11A-01R-1758-07 。
正常样本：例如，TCGA-55-6986-11A-01R-1949-07（肺腺癌患者的正常对照样本）。

在肺腺癌的差异表达分析中，我们将比较这些原发肿瘤样本与正常组织样本的基因表达数据，识别出可能的癌症相关基因。

2. 预后分析：选择哪些样本进行研究

预后分析（Survival Analysis）通常用于评估不同临床特征对患者生存期的影响。TCGA数据库中每个样本都包含生存数据（例如，总生存期、无病生存期等）。因此，在进行预后分析时，您通常会选择以下数据：

癌症样本：这一步仅选癌症样本。例如，TCGA-73-4658-01A-01R-1755-07（肺腺癌原发肿瘤样本）。
临床数据：这些数据包含了患者的生存期、分期、治疗信息等。

通过将不同分期的肺腺癌患者数据（如I期、II期、III期、IV期）与生存期进行关联分析，可以识别影响患者预后的关键基因和通路。

3. 例子：肺腺癌（LUAD）差异分析与预后分析

差异表达分析：
- 数据：选择TCGA中肺腺癌患者的原发肿瘤样本（如 TCGA-LUAD-01）与相应的正常样本（如 TCGA-LUAD-11）。
- 分析：使用R语言中的DESeq2包或edgeR包进行差异表达分析，识别肿瘤与正常样本之间基因表达的显著差异。
- 示例代码：

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = countData, colData = colData, design = ~ condition)
dds <- DESeq(dds)
res <- results(dds)
summary(res)

预后分析：
- 数据：选择肺腺癌样本（如 TCGA-LUAD-01），结合临床数据进行预后分析。
- 分析：使用生存分析（如Cox回归分析），将基因表达数据与患者的生存期进行关联。
- 示例代码：

library(survival)
lung_data <- read.csv("LUAD_clinical_data.csv")
lung_data$Surv_time <- as.numeric(lung_data$Surv_time)
lung_data$event <- as.factor(lung_data$event)
cox_model <- coxph(Surv(Surv_time, event) ~ gene_expression_data, data = lung_data)
summary(cox_model)