TCGA数据库33种癌症临床数据、mRNA表达矩阵全部下载，可直接获取矩阵

转自https://baijiahao.baidu.com/s?id=1570277010018657&wfr=spider&for=pc

TCGA数据库33种主要癌症的数据已经可以获取了，有学员就会说，TCGA数据库本来就提供下载啊，有什么稀奇的？

经过半年的下载与整理，33种的重要癌症的基本临床信息、完整临床信息、mRNA表达矩阵、lncRNA表达矩阵、miRNA表达矩阵，都已经统计完成，每位学员都可以获取，不用再苦逼的凌晨起来gdc下载数据，不用到处搜索如何提取临床数据，如何提取矩阵文件，如果你需要节省宝贵的时间做更加重要的研究，那么整理好的这些数据，可以直接用于后续的分析。

癌症类型：

1、ACC腺样囊性癌；2、BLCA 膀胱癌；3、BRCA 乳腺癌；4、CESC 宫颈鳞状细胞癌；5、CHOL 胆癌；6、COAD 结肠癌；7、DLBC 淋巴癌；8、ESCA 食管癌；9、GBM 脑癌；10、LGG 脑癌；11、HNSC 头颈部鳞癌；12、KICH嫌色细胞癌；13、KIRC肾透明细胞癌；14、KIRP乳头状肾细胞癌；15、LAML 骨髓癌；16、LIHC 肝癌；17、LUAD 肺腺癌；18、LUSC肺鳞状细胞癌；19、MESO 胸膜癌；20、OV 卵巢癌；21、PAAD 胰腺癌；22、PCPG 肾上腺癌；23、PRAD 前列腺癌；24、READ 直肠癌；25、SARC 软组织癌；26、SKCM 皮肤癌；27、STAD 胃癌；28、TGCT 睾丸癌；29、THCA 甲状腺癌；30、THYM 胸腺癌；31、UCEC 子宫内膜癌；32、UCS 子宫癌；33、UVM眼癌

数据：

1、基本临床数据

行名是样本代号，列名是临床信息（包含16列主要临床信息，一般的研究和临床统计是能够满足的），如图

2、完整临床数据

行名是样本代号，列名是临床信息（包含150列左右，具体列数每个癌症样本不一样，包含全部的临床信息），如图

3、mRNA表达矩阵

行名是gene symbol，列名是样本代号，如图

4、lncRNA表达矩阵

行名是lncRNA，列名是样本代号，如图

5、miRNA表达矩阵

行名是miRNA，列名是样本代号，如图

正常的工作流程本来是这样的：

1、进入TCGA的官网，选择研究相关的癌症类型，下载Clinical临床、Transcriptome Profiling中的Gene Expression Quantification、miRNA Expression Quantification的Metadata、Manifest文件，下载TCGA数据库提供的gdc下载工具；

2、利用gdc工具，在本地CMD环境数据下载命令：gdc-client.exe download -m gdc_manifest.txt，下载临床原始数据、基因表达数据、miRNA表达数据，其中临床数据是.xml的网页文本文件，基因表达数据是每个样本一个压缩包，miRNA表达数据是每个样本一个压缩包；

3、以宫颈鳞状细胞癌CESC为例，临床数据下载下来是307个文件夹，每个文件夹里有一个.xml文件，保存着一个样本的临床数据，需要想办法把这307个文件夹的307个.xml文件提取到一个exl文件里面，提取的临床数据一般都只包含一部分信息，为了获得完整的临床数据，很多学员想尽办法也没能成功；

4、CESC的基因表达包括307个文件，每个文件里面是一个压缩包，每个压缩包保存了一个.txt文件，这个.txt文件就保存着一个样本的表达信息。需要把307个压缩包提到一个文件夹中，使用压缩软件，把307个压缩包解压，得到307个.txt文件，再用提取脚本，把基因的表达矩阵提取出来；

5、基因矩阵提取出来之后，会发现TCGA用的GENE ID是Ensembl ID，所以需要把Ensembl ID转换成symbol ID，这一步又难倒了不少学员，当然教程生信自学网也有，可以去学习，现在Ensembl官方下载Ensembl的数据库，对照Ensembl数据库和基因矩阵，用脚本检索替换，得到symbol ID的矩阵；

6、基因矩阵包含mRNA和lncRNA以及其他一些基因，需要把mRNA和lncRNA分离出来，利用脚本提取mRNA和lncRNA的矩阵；

7、CESC的miRNA表达数据包括307个文件夹，每个文件夹包括一个.txt文件，这个.txt文件就保存了一个样本的miRNA表达信息，需要把307个.txt文件提取到一个文件夹内，用脚本提取这307个文件的表达信息，保存在一个exl文件里面。

看到这样的流程，估计还没开始操作，很多学员就惊叹了。不用惊讶，这样的分析步骤已经是大神级别，普通学员可能在研究如何下载TCGA数据，就花费了半个月的时间，每天都在搜索如何下载临床数据，如何下载基因表达数据。下载下来之后，一看傻眼了，怎么都是这样的，还能不能给人好好继续研究了。

从此刻起，这一切的烦恼都过去了，你本应该话更多时间做研究的，而不是花太多精力研究如何下载和提取临床信息，矩阵文件，后续的差异分析，生存分析，Cox分析，共表达分析才是TCGA数据挖掘的核心。当基本临床信息、完整临床信息、mRNA表达矩阵、lncRNA表达矩阵、miRNA表达矩阵都可以直接获取，你节省的不只是时间，还有科研进度，一步领先，步步领先，GEO数据库研究的现状就是TCGA数据库的未来，这个是发展的必然。