UCSC Xena 泛癌数据挖掘

跟完这篇，您能在 UCSC Xena 上零门槛取到 TCGA 泛癌的表达、样本类型与生存数据，既会在浏览器里在线看一个基因在各癌种的表达和生存曲线，也会把矩阵下载下来、在 R 里拼成一张分析可用的整洁表。

Xena 是什么

UCSC Xena 是加州大学圣克鲁兹分校维护的公共基因组数据平台。它最大的好处是把 TCGA、GTEx 这些大型数据集整理成了规整、已归一化、可直接下载的矩阵，省掉大量从原始测序数据算起的清洗工作，特别适合快速起步。

用之前先分清三个词：

概念	是什么	一句话记住
Xena Browser	网页可视化工具（`https://xenabrowser.net`）	在线画图、看分布、跑生存曲线就用它
Hub	存放数据的服务器	不同来源的数据挂在不同 hub 上，一般不用您操心
Cohort（队列）	一批被统一处理、能放一起比的样本	您分析前要先选定一个 cohort

做泛癌「肿瘤 vs 正常」，最常用的 cohort 是 TCGA TARGET GTEx。它把 TCGA 的肿瘤、GTEx 的正常组织用同一套流程重新处理过，因此可以直接放在一起比——正好补上 TCGA 自身正常样本太少的短板。如果您只关心 TCGA 内部，也可以选 GDC TCGA 或 TCGA Pan-Cancer (PANCAN) 这类 cohort。

下面给两条路线：路线一在浏览器里在线看，几分钟出图、适合先摸情况；路线二把表下下来，在 R 里整理，适合要复现、要接后续分析。

路线一：在浏览器里在线看（不下载）

想快速看一个基因（以 TP53 为例）在各癌种的表达，甚至它高低与生存有没有关系，全程不用下载：

打开 https://xenabrowser.net ，进入可视化（Visualization）。
选 cohort：搜 TCGA TARGET GTEx（做肿瘤 vs 正常就用它）。
加第一列变量：输入基因名 TP53，选它的 gene expression RNAseq 数据集——每个样本的表达就铺开了。
加第二列变量：选一个表型，比如样本类型（sample type）或癌种/部位（primary site），用来给样本分组。
打开图表视图，让 Xena 按分组画箱线图。它会给出各组的分布，并附一个组间统计检验的 p 值，方便您一眼看方向。
想看生存：用顶部的 Kaplan-Meier 菜单，以 TP53 表达作分组依据（默认按中位数切高/低组），选 Overall Survival，得到 KM 曲线和 log-rank 检验的 p 值。

一点提醒：生存分析只对肿瘤样本有意义，GTEx 正常组织没有生存终点，画 KM 前记得把范围限定在 TCGA 肿瘤样本上。另外，Xena 的界面按钮文字会随版本更新，具体名称以您当时看到的为准，但「选 cohort → 加基因列 → 加表型列 → 出图」这个顺序是稳定的。

在线看的定位是快速摸情况：判断值不值得深入、方向对不对。真要写进文章、要复现，还是走路线二把数据落到本地。

路线二：下载三张表，拼成分析可用的矩阵

一次标准的泛癌表达分析，通常就需要三张表。它们在 Xena 的数据页（https://xenabrowser.net/datapages/）里，按 cohort 找到对应数据集，每个数据集页面都有下载链接（一般是 .gz 压缩的文本）：

要下的表	内容	用来干嘛
表达矩阵（gene expression RNAseq）	行=基因、列=样本，值是已归一化的表达	主角，取目标基因的表达
表型 / 临床表（phenotype）	每个样本一行，含样本类型、癌种、来源	给样本分组（肿瘤/正常、哪个癌种）
生存数据（survival）	每个样本的生存终点与时间	做预后、画 KM（仅 TCGA 样本有）

三张表都以样本 ID 为主键，这是后面能拼起来的关键。下载时留意每个数据集页面标题里写明的单位和 ID 类型（下一节细说），三张表要来自同一个 cohort，别混用。

认清关键字段：样本类型、癌种、单位

下下来的表，字段名可能和您预期的不完全一样。动手前先认清三处，能避开后面绝大多数坑。

一、表型表里的分组字段。 具体字段名以文件表头为准，TCGA TARGET GTEx 的表型表里常见这几列：

字段（以表头为准）	记录什么	取值举例
`_sample_type`	样本类型	Primary Tumor、Solid Tissue Normal、Normal Tissue（GTEx 正常）、Metastatic
`_primary_site`	组织/器官部位	Lung、Liver、Breast…
`detailed_category`	更细的癌种/疾病分类	Lung Adenocarcinoma…
`_study`	数据来源	TCGA、GTEX、TARGET

有了这些列，您就能干净地筛出「TCGA 的肿瘤」和「GTEx 的正常」，不必去猜样本名。

二、样本 ID 的编码。 TCGA 的样本 ID 是条形码，末段两位数字就标了样本类型，实在没有表型表时可以用它兜底：

barcode 末段（如 `TCGA-XX-XXXX-01`）	含义
01–09	肿瘤样本（`01` = 原发实体瘤最常见）
10–19	正常样本（`11` = 实体正常组织 Solid Tissue Normal）
20 及以上	对照/细胞系等特殊类型

不过优先用表型表里的 _sample_type 列，比解析条形码更稳、更清楚。

三、表达值的单位和基因 ID。 Xena 的表达矩阵基本是已经 log2 变换过的归一化值（例如 log2(norm_count+1)、log2(tpm+0.001) 一类），具体变换和偏移量写在数据集页面标题/说明里，务必读一眼，不同数据集别混着比。基因 ID 有的用基因符号（如 TP53），有的用 Ensembl 号（如 ENSG...，可能带版本后缀）；若是 Ensembl，先映射成基因符号再分析，方法见基因 ID 转换。

在 R 里整理成一张长表

三张表拼起来的目标很简单：得到一张「每个样本一行，带上目标基因表达 + 样本类型 + 癌种 + 来源」的整洁长表，之后分癌种比较、画图都从它出发。

library(data.table)

g <- "TP53"   # 目标基因

# 1）三张表都是从 Xena 数据页下载的 .gz 文本；真实文件名见各数据集下载页
expr  <- fread("xena_expression.gz")   # 第 1 列是基因 ID，其余每列一个样本
pheno <- fread("xena_phenotype.gz")    # 每个样本一行，含样本类型、癌种、来源

# 2）只取目标基因那一行，转成「样本 × 表达」的长表
setnames(expr, 1, "gene")
one  <- expr[gene == g]                       # 只留目标基因这一行
tidy <- data.table(
  sample = names(one)[-1],                    # 去掉第 1 列基因名，剩下都是样本 ID
  expr   = as.numeric(one[, -1])              # 该基因在各样本的表达
)

# 3）按样本 ID 并上表型（样本类型、癌种、来源）
#    pheno 的样本列名以表头为准，这里假设也叫 sample
tidy <- merge(tidy, pheno, by = "sample", all.x = TRUE)

# 4）只保留 TCGA 肿瘤 + GTEx 正常；字段取值以文件表头为准
sub <- tidy[`_study` %in% c("TCGA", "GTEX")]

到这一步，sub 就是一张能直接用的长表。想看某个癌种里肿瘤和正常的差异，按部位/癌种和样本类型分组比较即可（分癌种做 Wilcoxon 秩和检验是常用做法）：

# 举例：只看肺部，比较肿瘤 vs 正常
lung <- sub[`_primary_site` == "Lung"]
wilcox.test(expr ~ `_sample_type`, data = lung)   # 具体取值按表头对齐

要接生存分析，把下载的生存表也按 sample 并进来，用 OS（事件 0/1）和 OS.time（天）走 KM 或 Cox 即可，做法见生存分析入门与预后 signature 与风险模型。

常见的坑

Xena 上手快，但下面几点不注意，结论容易站不住：

TCGA 拼 GTEx 有批次效应。 两个来源即便同一流程处理过，仍可能残留系统差异。把它们放一起比时要意识到这一点，必要时在解读或建模里考虑来源因素，别把批次差当成生物学差异。相关处理见批次效应。
单位必须一致。 已 log2 的值不要再 log 一次；不同数据集（counts、TPM、norm_count）的绝对值不可比。始终以数据集页面标明的单位为准。
TCGA 正常样本本来就少。 很多癌种配对正常是个位数，只靠 TCGA 内部比很不稳——这正是引入 GTEx 的原因，但也因此更要认批次的账。
样本 ID 要对得上。 表达矩阵的列和表型表的行，样本 ID 写法要能匹配（大小写、分隔符、有没有末段编码）。合并后核对一下没丢样本。
泛癌是筛线索，不是下定论。 同时扫几十个癌种，多重比较被放大，padj<0.05 只是常用惯例、按数据和检验数量调整，不是铁律。跨癌种一致的信号更值得追，但仍需回到单癌种深入验证。把泛癌结果读成「候选/提示」这个分量为止。

在平台上跑一遍

上面这套「取数—整理—分癌种比较」的活，在百沐一下不用写代码：说清您要看的基因和癌种（比如「帮我看 TP53 在泛癌里肿瘤 vs 正常的表达」），平台会自动从公共数据库取数、对齐样本、分癌种跑完并给出箱线图、生存曲线和可复现的 R 代码，您也可以把自己的数据一起传上来分析。

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