tcga数据下载_GEO、TCGA&ICGC测序数据下载？

目前可获取的开源高通量数据越来越多, 很多时候我们并不需要自己做实验, 可以直接通过分析别人上传的测序数据而获得想要的结果。那么今天就给大家分享三种优雅提取测序数据的方法，以飨读者。

GEO测序数据下载

GEO数据库是NCBI网站下的子数据库，主要收录基于芯片和测序技术的数据，来源于全球众多研究者的上传数据。

GEO数据库数据的存储有5种主要组织形式（Data organization），包括GPL、GSM、GSE、GDS、GEO profiles。

其中前三种属于上传者提供的原始数据，属于original records；后两种属于GEO工作人员挑选一部分数据分析整理后的数据，属于curated records。

GEO数据存储的主要格式有4种:SOFT格式、MINiML格式、Series Matrix files和Supplementary files。

GPL数据主要有四种对应的存储格式，最常用的是annotation 注释表格文件，将芯片探针名转换为基因名时需要用到这个文件。

GSM数据对应的是一个单独的压缩文件，列在补充文件条目下。记录了该样本的描述信息和原始数据（raw data），根据产生数据平台的不同，原始数据的文件格式有所不同。

GSE数据的存储格式，这是我们最常用到的数据类型。Series matrix文件包含该GSE的样本表达矩阵及简要样本、平台信息；另两个文件则是SOFT格式和MINiML格式，包含该GSE所涉及的所有样本及平台数据。

GDS数据的格式一般为soft格式，分为soft和full.soft文件，其中full.soft文件中增加了该GDS对应平台的最新基因注释信息。GDS页面同时还整合了该GDS对应的GSE和GPL annotation数据下载链接。

GEO profile文件的存储形式。下载的文件命名为profile_data.txt，没有特定的编号，文件内包含了所查询基因的信息以及在各个样本中的表达值数据，推荐用Excel打开这个文本文件。

GEO数据的下载主要有两种方式：通过相应网页的下载链接直接点击下载，或者根据GEO数据在FTP站点中的存储文件命名规则，构建ftp链接来下载文件。

前面的方式更直观、不易出错；而构建链接比较适合批量下载，更适合软件程序下载。

TCGA测序数据下载

TCGA（癌症基因组图谱计划）启动于2005年，2013年12月完成了33个癌症类型、共计2万多例样本收集；2014年6月完成了所有样本基因组数据采集。

TCGA项目数据量庞大，有超过2.5PB的基因组、表观基因组、转录组和蛋白质组数据，从基因、分子水平揭示了癌症的特征，提高了对癌症的诊疗和预防水平。

TCGA数据的下载有很多种方式，包括官网、替代网站、R包下载等等。从官网直接下载数据，主要有两种方式：通过网页界面在购物车中直接下载，或者借助官方小工具gdc-client下载。

1）GDC网站界面搜索

2）直接网页下载

3）GDC-Client工具下载

ICGC测序数据下载

ICGC（国际肿瘤基因组协会）成立于2007年，旨在开展和协调全球的众多肿瘤研究项目，揭示肿瘤的基因组变化，从而改善癌症的治疗和预防。

ICGC确立了3个主要目标任务：

1）计划收集25000例未经治疗的原发肿瘤基因组学数据；

2）开展全基因组泛癌分析计划（PCAWG），主要是对产生的数据进行泛癌分析；

3）ICGC-ARGO计划（加速基因组肿瘤学研究计划），计划纳入10万例有高质量临床数据的肿瘤患者进行分析，期望解决战胜肿瘤的关键性问题。

ICGC中原始数据下载是受限的，原始数据存储在Data repository，其中开放下载的文件数不到1/10，且仅为生物样本、临床信息。

DCC Data releases 中的数据均可以下载，为经过整理的数据，可以下载的数据主要来源于该部分。

Cancer projects中的检索到的数据也可以下载，基本和DCC Data releases 中的相应数据一致。

本文首发于“ 酸谈”微信公众号

转载请注明：解螺旋·临床医生科研成长平台。