单基因泛癌分析

跟完这篇，您能拿一个感兴趣的基因，在 TCGA 的 33 个癌种里系统扫一遍它的表达、预后、免疫浸润、突变四件事，把散落的分癌种结果拼成一条能讲的线索，并且清楚知道这条线索的分量到哪为止、下一步该往哪深挖。

泛癌分析在做什么

泛癌分析（pan-cancer analysis）就一句话：拿一个基因，横跨多种癌症统一看它的行为，而不是只盯着一种病。

它的默认舞台是 TCGA（The Cancer Genome Atlas）。TCGA 把肿瘤样本按癌种整理成 33 个项目，每个项目一个癌种，用四个字母的缩写标识：

缩写	癌种	缩写	癌种
BRCA	乳腺癌	LUAD	肺腺癌
LIHC	肝细胞癌	LUSC	肺鳞癌
COAD	结肠腺癌	STAD	胃腺癌
KIRC	肾透明细胞癌	PRAD	前列腺腺癌

（上表只列了常见的几个，完整是 33 个。）

「泛癌」的价值在于看一致性：如果一个基因只在某一种癌里异常，可能是个案；但如果它在十几个癌种里都往同一个方向变，这种跨癌种的一致信号，往往更值得往下追。所以泛癌分析在您研究流程里的位置很明确——它是筛线索、提假设的第一步，不是下结论的最后一步。

具体到一个基因，一次标准分析通常就围绕这四个维度展开，逐个维度在每个癌种里各算一遍，再横向拼起来看：

维度	问的问题	常用做法
表达差异	肿瘤 vs 正常，这个基因高了还是低了	分癌种做 Wilcoxon 秩和检验，看方向和显著性
预后	表达高低和病人活得久不久有没有关系	按表达中位数分高/低组，做 KM + log-rank，或用 Cox 求风险比
免疫浸润	表达和肿瘤里免疫细胞的多少相不相关	和免疫浸润评分做 Spearman 相关
突变	基因或其所在通路的突变状态与表达有没有关联	比较突变型 vs 野生型的表达，或与 TMB 相关

下面就按「准备数据 → 四步各跑一遍 → 拼成线索」的顺序走一遍，代码用标准 R 包，改一个基因名就能套到您自己的分析上。

准备：选基因、取数据

您几乎不用自己从原始测序数据算起。主流两个入口，先看用哪个：

入口	拿到的是什么	适合
GDC（portal.gdc.cancer.gov）	TCGA 官方门户，字段最全、最原始	要最完整数据做深入分析；R 里常用 TCGAbiolinks 批量下载
UCSC Xena（xenabrowser.net）	已归一化、开箱即用的规整矩阵	想快速把一个基因扫一遍、出泛癌图（推荐上手）

Xena 还专门提供了一个把 TCGA 肿瘤和 GTEx 正常组织统一处理的合并队列（常记作 TCGA TARGET GTEx），正好补上 TCGA 正常样本太少的短板——这是做「肿瘤 vs 正常」泛癌图最常用的数据来源。这里就以 Xena 下载下来的文本矩阵为例。

先把三张表读进 R：

library(data.table)

gene <- "TP53"   # 换成您关心的基因

# 从 UCSC Xena 下载的文本矩阵，本地读入即可（文件名以您下载到的为准）
# expr：行是基因，列是样本；值是已做 log2 归一化的表达量
expr  <- fread("expression.tsv", data.table = FALSE)
# pheno：每个样本一行，含癌种、样本类型（肿瘤 / 正常）等注释
pheno <- fread("phenotype.tsv",  data.table = FALSE)
# surv：每个样本一行，含生存时间与结局（0 = 存活 / 1 = 死亡）
surv  <- fread("survival.tsv",   data.table = FALSE)

后面几步都建立在同一批对象上，先记清它们各自「一行是什么」：

对象	一行是什么	关键列
expr	一个基因	各样本列的表达值
pheno	一个样本	癌种、样本类型（肿瘤 / 正常）
surv	一个样本	生存时间、结局（0/1）
infil	一个样本	各免疫细胞评分（第三步再拿到）

再把目标基因那一行取出来，拼成「每行一个样本」的长表，方便按癌种分组：

library(dplyr)

# 取出目标基因所在行，转成每样本一行
dat <- data.frame(
  sample = colnames(expr)[-1],
  expr   = as.numeric(expr[expr[[1]] == gene, -1]),
  type   = pheno$sample_type,   # "Tumor" / "Normal"
  cancer = pheno$cancer
)

数据下下来后怎么整理成规范矩阵（去重、对齐样本、处理缺失），见 表达矩阵整理。

第一步：肿瘤 vs 正常的表达差异

最基础的一件事——这个基因在肿瘤里是不是异常表达。泛癌的做法不是只比一次，而是逐癌种各比一次，再横着看：

res <- dat %>%
  filter(!is.na(type)) %>%
  group_by(cancer) %>%
  summarise(p = wilcox.test(expr ~ type)$p.value, .groups = "drop") %>%
  mutate(padj = p.adjust(p, method = "BH"))   # 跨癌种做多重检验校正

这里用 Wilcoxon 秩和检验，是因为要在几十个癌种上快速统一比，非参数、不挑分布最省心。多个癌种一起检验，一定要做多重比较校正（这里用 BH 法）；padj<0.05 是常用惯例、不是铁律，按数据和检验数量调整。

呈现上，跨癌种表达差异约定俗成用分组箱线图（每个癌种一对肿瘤/正常）：

library(ggplot2)

ggplot(filter(dat, !is.na(type)), aes(cancer, expr, fill = type)) +
  geom_boxplot(outlier.size = 0.3) +
  labs(x = NULL, y = "log2 表达量", fill = NULL) +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

两点提醒：

• TCGA 正常样本很少，很多癌种只有个位数甚至没有配对正常组织。补 GTEx 正常组织（即上一节的合并队列）能救急，但那是两个来源拼在一起，批次差异要留个心眼。
• Wilcoxon 适合「快速扫一遍」。若要在某一个癌种里做严谨的差异表达，应回到原始 read count 用 DESeq2/edgeR，见 用 DESeq2 做差异表达。

第二步：表达与预后

把每个癌种的病人按目标基因表达切成高、低两组，看表达高低和活得久不久有没有关系。泛癌里最常用 Cox 求风险比 HR，一个数就能横向比较各癌种：

library(survival)

cancers <- unique(surv$cancer)
hr <- lapply(cancers, function(cc) {
  d <- merge(subset(surv, cancer == cc), dat[, c("sample", "expr")], by = "sample")
  # 按中位数分高 / 低组，指定低表达为参照，HR 即「高 vs 低」
  d$group <- factor(ifelse(d$expr > median(d$expr), "high", "low"),
                    levels = c("low", "high"))
  s <- summary(coxph(Surv(time, event) ~ group, data = d))
  data.frame(cancer = cc,
             HR    = s$conf.int[1, "exp(coef)"],
             lower = s$conf.int[1, "lower .95"],
             upper = s$conf.int[1, "upper .95"],
             p     = s$coefficients[1, "Pr(>|z|)"])
})
hr <- do.call(rbind, hr)

按中位数切是最稳、最好复现的做法。想更直观地看「高低两组的生存曲线拉不拉得开」，再补 KM + log-rank（survdiff）。生存分析的门道（删失、log-rank、最佳截断为什么容易过拟合）见 生存分析。

预后结果的约定画法是森林图：一张图看尽各癌种的 HR 与置信区间，HR = 1 的竖线是「无差异」的分界。

ggplot(hr, aes(x = HR, y = reorder(cancer, HR))) +
  geom_point() +
  geom_errorbarh(aes(xmin = lower, xmax = upper), height = 0.2) +
  geom_vline(xintercept = 1, linetype = "dashed") +
  scale_x_log10() +                       # HR 用对数轴，左右才对称
  labs(x = "风险比 HR（高表达 vs 低表达）", y = NULL)

读图：点落在竖线右侧（HR>1）且置信区间不跨过 1，说明在该癌种里高表达关联更差的生存；落在左侧则相反。

第三步：免疫浸润相关

想知道这个基因和肿瘤微环境里的免疫细胞有没有关系，标准做法分两步：先用成熟算法从表达谱反推每个样本的免疫浸润，再和目标基因表达做相关。常见的反推算法：

算法	给出什么
CIBERSORT	22 种免疫细胞的相对比例
ESTIMATE	免疫评分（ImmuneScore）与基质评分（StromalScore）
ssGSEA / MCP-counter / xCell	各有一套免疫细胞打分

假设您已经算出（或从工具导出）一张 infil 表——每样本一行、各免疫细胞评分为列。把它和表达并到一起，逐癌种、逐细胞类型做 Spearman 相关：

library(tidyr)

m <- dat %>% inner_join(infil, by = "sample")   # 表达 + 各免疫细胞评分

corr <- m %>%
  pivot_longer(c(CD8_Tcell, Macrophage_M2, Treg),   # 举例几类细胞
               names_to = "cell", values_to = "score") %>%
  group_by(cancer, cell) %>%
  summarise(rho = cor(expr, score, method = "spearman"),
            p   = cor.test(expr, score, method = "spearman")$p.value,
            .groups = "drop")

多用 Spearman（不假设线性、对离群值更稳）。结果的约定画法是气泡热图：行是癌种、列是免疫细胞，颜色示相关方向、点大小示显著性。

ggplot(corr, aes(cell, cancer)) +
  geom_point(aes(size = -log10(p), color = rho)) +
  scale_color_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0) +
  labs(x = NULL, y = NULL, color = "Spearman ρ", size = "-log10(p)")

不想自己跑算法，也有现成网页工具（如 TIMER2.0）能直接查一个基因和免疫浸润的跨癌种相关。无论哪条路，都要记住：相关不等于因果，这里得到的只是「表达和某类免疫细胞丰度同向或反向变化」，不能直接说谁调控谁。

第四步：突变关联

看目标基因的突变状态或整体突变负荷与表达的关系：比较突变型与野生型样本的表达差异，或和肿瘤突变负荷（TMB）、微卫星不稳定性（MSI）做相关。

# status：每个样本目标基因的突变状态（"Mutant" / "WT"）
wilcox.test(expr ~ status, data = mut_LUAD)

# 或与肿瘤突变负荷 TMB 做相关
cor.test(m$expr, m$TMB, method = "spearman")

这一维度的解读要更保守：单基因突变频率在多数癌种里都不高，样本一分组就很小，结论务必留余地，别在小样本上硬讲显著。

把四步串成一条线索

四步各自跑完，您手上是一堆分癌种的表格和三张图。真正有价值的一步，是把它们横向拼起来，看能不能连成一条自洽的线索。一个站得住的叙事骨架是这样递进的：

1. 一致性：先看第一步。这个基因是不是在多个癌种里都朝同一方向异常（比如在十几种癌里都显著高表达）？跨癌种的一致，是整条故事的地基。
2. 临床相关：叠上第二步。在那些高表达的癌种里，森林图上的 HR 是不是也大多关联更差的生存？表达异常又与结局相关，线索就从「有变化」升级到「可能有意义」。
3. 机制线索：接着看第三、四步，给这条线索一个可能的方向。比如表达与某类免疫细胞浸润稳定相关，提示它可能牵涉免疫微环境——注意这只是提示方向，不是证明机制。
4. 收敛到一个癌种：泛癌图把面铺开，真正能深挖的是点。根据前三步，挑一个信号最强、又最贴合您研究背景的癌种，作为后续单癌种深入研究的落点。

把这条线讲出来，大致就是：「基因 X 在多个癌种中一致高表达，且高表达普遍关联更差预后，同时与免疫浸润相关，提示它可能是一个值得深入研究的候选。」 注意每句都落在「关联」「提示」「候选」这类词上——泛癌分析支撑得起的，就是到这个分量为止。三张图各司其职：箱线图给一致性，森林图给临床相关，气泡热图给机制线索。

边界：别过度解读

这一节比前面都重要。泛癌分析最容易被过度解读，用之前请把下面几条钉在心里。

• 它是广撒网筛线索，不是下定论。 泛癌的产出是假设：哪个基因、在哪些癌种里、值得深入看。它本身不构成机制证明，也替代不了单癌种的精细分析和实验验证。
• 同时扫几十个癌种，多重比较被放大。 一个基因在 33 个癌种里各做一次检验，纯靠运气也会撞出几个「显著」。跨癌种汇报务必做多重检验校正（如 BH 法），padj<0.05 只是常用惯例、非铁律。
• 相关不是因果。 免疫浸润相关、预后关联，都是观察到的共变，不能推出调控或驱动关系。措辞老实地停在「相关」「关联」。
• 数据来源的坑要认。 TCGA 正常样本少、拼 GTEx 会引入批次效应；不同癌种样本量差异巨大（小样本癌种的结论天然更不稳）；表达是 bulk 的平均值，掩盖了细胞异质性。这些都会左右结论，报告时该讲清就讲清。
• 一致 ≠ 一样。 就算一个基因在多个癌种里都高表达，它在每种癌里的生物学角色也可能完全不同。泛癌看到的是统计上的共性，落到具体某种癌，还得回到那个癌种的背景里重新理解。

一句话收束：把泛癌分析当成「地图」，它告诉您值得往哪走；真正的发现，在您照着地图选定一个癌种、深入挖下去之后。

在平台上跑一遍

上面这四步，在百沐一下不用写代码也能做：说清您要分析的基因（比如「帮我对 TP53 做泛癌分析」），平台会自动从公共数据库取数、分癌种跑完表达、预后、免疫浸润这几步，把箱线图、森林图、相关性热图一并给您，并附上可复现的 R 代码。您要做的，是核对癌种选得对不对、把结果读成一条自己能讲的线索。想连自己的数据一起分析也可以，直接上传即可。

上手见 组学智能体使用指南，或直接开始：https://app.baimuyixia.com 。

相关

• 生存分析：从分组到 KM 曲线与 Cox
• 表达矩阵整理：拿到能直接分析的矩阵
• 用 DESeq2 做差异表达
• 富集分析：把候选基因读成通路