TCGA 数据获取与整理

跟完这篇，您能从 GDC 或 UCSC Xena 任选一个入口，把某个癌种的表达矩阵、临床信息和生存随访三份数据取下来，看懂 TCGA 的样本条码，并把三者按病人对齐成一套「行是样本、能直接接分析」的配套数据。

TCGA 里有什么

TCGA（The Cancer Genome Atlas）是目前最常用的公共肿瘤多组学数据库，把上万例肿瘤样本按癌种整理成 33 个项目，每个项目一个癌种，用四个字母缩写标识（如 LIHC 肝细胞癌、BRCA 乳腺癌、LUAD 肺腺癌）。每个癌种下面，同一批病人往往同时有好几种组学数据，您真正常取的是下面这几类：

数据类型	内容	常用于
基因表达	RNA-seq 的 counts / TPM / FPKM	差异表达、生存、免疫浸润
临床信息	年龄、性别、分期、分级等	分组、协变量
生存随访	生存状态与随访时长	KM 曲线、Cox 模型
体细胞突变	突变清单（MAF 文件）	突变分析、TMB
拷贝数变异	基因/片段的扩增与缺失	拷贝数分析
DNA 甲基化	各位点甲基化水平	表观分析

这篇只聚焦最常配套使用的前三样：表达、临床、生存。它们分开存放，取下来后要靠病人条码拼到一起——后面几节的核心就是这个「取 + 对齐」。

先看懂 TCGA 条码

TCGA 给每个样本一串条码（barcode），对齐数据全靠它，务必先看懂结构。以 TCGA-DD-AAVP-01A-11R-A41C-07 为例，用短横线分段：

片段	例	含义
Project	`TCGA`	固定前缀
TSS	`DD`	组织来源机构
Participant	`AAVP`	病人编号
Sample + Vial	`01A`	样本类型码（01） + 份次
其余	`11R-A41C-07`	提取份、板、中心等

两条最实用的规则记牢：

前 12 位 TCGA-DD-AAVP 是病人条码——临床和生存表都是按病人（每人一行）组织的，对齐时以它为准。
第 14~15 位这两位数字是样本类型码，决定这管样本是肿瘤还是正常：

类型码	含义
`01`	原发实体瘤（Primary Tumor）
`02`	复发实体瘤
`06`	转移灶（Metastatic）
`11`	癌旁正常组织（Solid Tissue Normal）

做「肿瘤 vs 正常」时靠这两位分组；只想留原发肿瘤，就筛 01。

两个入口：GDC 还是 UCSC Xena

取 TCGA 数据主流就两个门户，各有取舍，先按下表选，再往下看对应小节。

维度	GDC（配 `TCGAbiolinks`）	UCSC Xena
数据形态	原始或接近原始，字段最全	已归一化、整理好，开箱即用
拿原始 counts	可以（STAR - Counts 即原始计数）	部分数据集提供
补正常样本	只有 TCGA 自带的（很少）	有 TCGA + GTEx 合并队列可补
上手方式	写 R 脚本下载、自己整理	网页点选，直接下文本文件
适合谁	要最全字段、做深入分析	想快速出图、初步筛线索

一句话经验：想快点把数据取下来出图，用 Xena；要最原始、最完整的字段做深入分析，用 GDC。 两条路下面各走一遍。

路线一：从 GDC 取（TCGAbiolinks）

GDC（Genomic Data Commons）是 TCGA 数据的官方门户，R 里用 TCGAbiolinks 按癌种、数据类型批量下载。分表达和临床两步。

第一步，取表达（原始 counts）。 走「查询 → 下载 → 整理」三个函数：

library(TCGAbiolinks)
library(SummarizedExperiment)

# 一、查询肝癌（LIHC）的 RNA-seq 表达，workflow 选 STAR - Counts 才是原始计数
query <- GDCquery(
  project       = "TCGA-LIHC",
  data.category = "Transcriptome Profiling",
  data.type     = "Gene Expression Quantification",
  workflow.type = "STAR - Counts"
)
GDCdownload(query)                    # 下载到本地
se <- GDCprepare(query)               # 整理成 SummarizedExperiment 对象

# 二、取原始计数矩阵：行 = 基因，列 = 样本条码
counts <- assay(se, "unstranded")

assay() 里除了 "unstranded"（原始 counts，做 DESeq2 用它），同一对象还带 "tpm_unstrand"、"fpkm_unstrand" 等归一化好的矩阵，按需要取。差异表达为什么要用原始 counts，见表达量单位。

第二步，取临床与生存字段。 GDC 的整理版临床表一个函数就够，它自带算生存所需的三个字段：

# 病人层级的临床信息，一人一行
clin <- GDCquery_clinic(project = "TCGA-LIHC", type = "clinical")

# 生存分析用的三个关键列：
#   vital_status            —— "Alive" / "Dead"
#   days_to_death           —— 死亡者：从诊断到死亡的天数
#   days_to_last_follow_up  —— 存活者：最后一次随访的天数

第三步，拼出生存表（time + event）。 生存分析要的是「随访时长 time + 结局 event（0/1）」两列，从上面字段推导：

library(dplyr)

surv <- clin %>%
  transmute(
    barcode = submitter_id,                          # 病人条码，如 TCGA-DD-AAVP
    event   = as.integer(vital_status == "Dead"),    # 1 = 死亡，0 = 删失
    time    = ifelse(vital_status == "Dead",
                     days_to_death,                  # 死亡者用到死亡的天数
                     days_to_last_follow_up)         # 存活者用到末次随访的天数
  )

这里 time 单位是天，画图时想换成月常按惯例除以 30、换成年除以 365，只是换刻度、不改结论。生存分析怎么读、log-rank 和删失是怎么回事，见生存分析入门。

路线二：从 UCSC Xena 取（推荐上手）

UCSC Xena 把 TCGA 数据整理成了规整、已归一化的文本矩阵，省掉大量清洗。它的 GDC 数据中心里，每个癌种通常配好三个文件，正好对上我们要的三样：

文件（以 LIHC 为例）	内容
`TCGA-LIHC.htseq_counts.tsv.gz`	表达矩阵（多为 log2 归一化值）
`TCGA-LIHC.GDC_phenotype.tsv.gz`	临床表型
`TCGA-LIHC.survival.tsv`	生存表，已带 OS 与 OS.time

网页上选好数据集直接下载，本地读入即可：

# 表达矩阵：行 = 基因，列 = 样本条码；Xena 上多为已归一化的 log2 值
expr <- read.delim("TCGA-LIHC.htseq_counts.tsv.gz",
                   row.names = 1, check.names = FALSE)

# 生存表：Xena 直接给好 OS（结局 0/1）与 OS.time（天），省去自己推导
surv <- read.delim("TCGA-LIHC.survival.tsv", header = TRUE)
# 常见列：sample（样本条码）、OS、OS.time

Xena 的表达值具体是哪种归一化（log2(count+1)、log2(tpm+0.001) 等），每个数据集页面的说明里都写着，用之前务必看一眼——归一化方式不同，能不能接差异表达、能不能直接比较，结论不一样。

Xena 还有一大长处：它提供把 TCGA 肿瘤与 GTEx 正常组织统一处理的合并队列，专门补 TCGA 正常样本太少的短板，是做「肿瘤 vs 正常」跨癌种图最常用的来源。用它时要记得这是两个来源拼在一起，批次差异要留个心眼，见批次效应。

三者对齐：表达、临床、生存怎么配套

不管走哪条路线，取下来的三份数据都还是各管各的，最后一步是把它们按病人对齐成一套。难点在条码位数不一致：表达矩阵的列是样本级条码（15~16 位），临床和生存表是病人级（12 位）。四步对齐：

# 1) 只留原发肿瘤：样本类型码 "01" 在条码第 14~15 位
sample_type <- substr(colnames(counts), 14, 15)
tumor <- counts[, sample_type == "01"]

# 2) 把样本级条码截成 12 位病人条码，才能跟临床/生存对上
colnames(tumor) <- substr(colnames(tumor), 1, 12)

# 3) 一个病人可能有多管样本，去重，避免同一人算两次
tumor <- tumor[, !duplicated(colnames(tumor))]

# 4) 取三者共有的病人，并把顺序对齐一致
common <- intersect(colnames(tumor), surv$barcode)
tumor  <- tumor[, common]                       # 表达按 common 排
surv   <- surv[match(common, surv$barcode), ]   # 生存表按同一顺序排

对齐后请一定做一次自查，这是最容易翻车、也最该核对的地方：

检查项	期望	不对时的隐患
表达列名与生存 barcode 完全一致	`all(colnames(tumor) == surv$barcode)` 为 `TRUE`	顺序错位会把 A 的表达配到 B 的结局
有没有留下正常样本没剔	只剩类型码 `01`	正常样本混进「肿瘤」组，分组被污染
一人多样本是否去了重	病人条码不重复	同一人重复计数，样本量虚高
对齐后样本量	与预期相差不大	掉太多说明某份数据缺失严重

顺序对齐比「都在就行」更重要：很多下游函数（比如生存分析）默认第 i 列表达对应第 i 行生存，一旦错位，跑得出结果但全是错的。用 match()（如上）或以病人条码做键合并，别只靠「碰巧顺序一样」。对齐好的这套数据，怎么进一步整理成各分析要的规范形状，见表达矩阵整理。

常见坑与边界

TCGA 好用，但几个坑几乎人人都会踩，先知道能省很多返工：

正常样本很少。 多数癌种的癌旁正常只有个位数，有的几乎没有。做「肿瘤 vs 正常」时，要么接受小样本、结论说保守些，要么用 Xena 的 TCGA + GTEx 合并队列补，但要认下批次效应这笔账。
临床字段不齐、写法不一。 分期、分级等字段常有缺失，早年录入的措辞也不统一（如分期写法五花八门）。用作分组或协变量前，务必先清洗、统一取值。
time 有 0 或负数、缺失。 随访天数偶有异常值或缺失，进生存分析前先过滤掉 time 缺失或非正的记录。
一人多样本。 同一病人可能有多管肿瘤样本（不同份、不同部位），不去重会重复计数，务必按上一节的第 3 步处理。
生存终点不止一种。 上面用的是总生存（OS）。研究问题不同，可能要用无进展生存（PFI）、无病生存（DFI）等终点——社区有整理好的 TCGA 临床终点表把这些终点统一给出，做预后时按需选用，别只有 OS 一条路。
别把 TCGA 结论当终点。 它是回顾性的公共队列，跨批次、跨机构，适合筛线索、提假设；真正的结论仍需独立数据集验证与实验支撑。

把这几条放在心上，取数和对齐这一关就基本稳了。

在平台上跑一遍

上面「取数据 → 看懂条码 → 三者对齐」这一整套，在百沐一下不用写代码也能做：告诉平台您要哪个癌种、要表达和生存，它会替您取数、按病人对齐、剔掉正常样本与重复，直接交给您一套能接着分析的配套数据，并附上可复现的 R 代码。您要做的，是核对癌种和分组对不对。

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