TCGA数据库讲解与数据下载

TCGA (The cancer genome atlas)是一个非常重要的癌症数据库，其主要收录各种人类癌症（包括亚型在内的肿瘤）的临床数据，基因组变异，mRNA表达，miRNA表达，甲基化等数据，是癌症研究者很重要的数据来源。

TCGA官网：https://cancergenome./abouttcga/overview

01

数据等级

TCGA存储的数据可分为三个级别：

Level 1: 原始的测序数据（fasta,fastq等）

Level 2:比对好的bam文件

Level 3:为经过处理及标准化的数据

Level 1和Level 2文件很大，若要下载可使用官方提供的小工具：GDC Data Transfer Tool，然后自己重新比对来call mutation, 或者提取count data做差异表达分析（不适合懒人操作，且大多数人很难拿到权限，下面会说）。

02

数据权限

Level 1和Level 2数据为controlled-access（限制下载），Level 3有部分是controlled-access，其余是开放下载，若你想下载的数据level显示“Unauthorized”，则表示不能直接下载，需要先向TCGA申请使用权限。

比如：

理论上，限制下载的数据可以通过申请dbgap账号获得下载权限，但是申请这个账号需要NIH/NCI资格审核，且需要提供eRA account ID（在美国申请grant对应的ID），所以一般只有国外PI才可能申请通过。所以对小白来说这个基本是行不通的，小编建议还是乖乖下载3级数据。

03

三级数据下载

TCGA-3级数据下载网站主要有两个：

 ① TCGA官方的data-portal: portal.gdc.cancer.gov

优点：数据最全，更新最快

缺点：每个样本是一个单独的文件，如果下载某一个癌症的RNA数据，要下载好几百个文件，然后合并（嫌麻烦的往下翻，小编强力推荐方法②！！）。

下载方法介绍：

• 在主页搜索想要下载的癌症类型

  
  

• 以表达数据为例，可见LUAD共有515个case有RNA-Seq数据，点击进入。

  
  

• 左边可以对样本进行筛选，点击右侧数字可以下载表达数据（Exp），临床数据（Clinical）和Annotation（注释信息，可以找到样本ID对应的case，control情况）。

  
  

• 注意表达数据根据分为了HTSeq-Counts，HTSeq-FPKM，HTSeq-FPKM-UQ三种类型，Counts是数据后台没有处理的原始表达量，而FPKM和FPKM-UQ是两种数据标准化处理后的数据，一般差异表达下载counts，下载所有样本后合并，用DESeq即可。

  
  

FPKM，FPKM-UQ计算方法：

     

② Firehose服务器：gdac.broadinstitute.org

优点：数据也来源于 portal.gdc.cancer.gov，但是将同一种癌症、同种类型的数据合并到了一起，超级方便，一键下载，无需合并数据。

下载方法介绍：

• 点击LUAD对应的Data-Browse

  
  

• 稍等片刻，会弹出LUAD项目所有样本合并后的3级数据，需要什么数据点击文本即可下载，非常方便快捷。当然也可以下载临床数据等，各取所需了。

  
  

今天小编就为大家介绍这么多，当然还有其他下载方法，以及一些TCGA在线分析工具，不需要下载数据即可进行分析，小编下次再给大家介绍喽。

生信草堂