TCGA数据库

TCGA数据库简介

TCGA（The Cancer Genome Atlas）数据库是由美国于2005年发起的癌症和肿瘤基因图谱计划所建立的。该计划旨在通过基因组分析技术研究癌症中的基因组变化，为此进行了大规模的基因组测序，样本量超过万份，涵盖了三十多种癌症类型。TCGA数据库尤其宝贵之处在于，这些样本都附带了详细的预后随访信息，为科研人员提供了丰富的临床和分子数据资源。

TCGA数据库的主要内容

TCGA数据库主要包含两大类数据：临床样本信息和测序数据。

• 临床样本信息：包括Biospecimen和Clinical两部分，涵盖了病人模虚的基本旦余燃信息、病理诊断、治疗过程以及预后随访等临床数据。
• 测序数据：TCGA采用了多种测序技术对样本进行测序，包括RNA-Seq、WXS（全外显子测序）、miRNA-Seq、Genotyping Array、Methylation Array等。这些测序数据按照分析程度被分为四层（level1、level2、level3、level4），其中level3和level4的数据通常是可以公开下载的，而level1是最原始的数据，level2是经过初步处理的数据，一般不开放下载，需要申请才能获取。

测序数据的具体类型及解释

1. 转录组测序（RNA-Seq）数据：

   TCGA上的转录组数据是全转录组测序结果，包含了lncRNA、mRNA、假基因等各种非编码RNA。

   可公开下载的RNA-Seq数据主要包括HT-Seq-FPKM、HT-Seq-UQ-FPKM、HT-Seq-Counts三种形式。其中，FPKM是用来衡量转录本表达丰度的一种量度方式，Counts是测序的reads中比对到某个基因上的计数，UQ-FPKM则是通过上四分位点进行标准化后的FPKM。

2. miRNA-Seq数据：

   miRNA是一类重要的非编码小RNA，在生物体的调控中具有重要作用。

   TCGA提供了miRNA-Seq的测序数据结果，包括前体miRNA（pre-miRNA）和成熟体miRNA（miRNA）的信息。

   miRNA通常调控靶基因，降低基因的表达。

3. 甲基化数据：

   DNA甲基化是一种重要的表观遗传修饰方式，能控制基因表达。

   TCGA提供的甲基化数据主要以CpG位点为单位，包括基因启动子区域上的甲基化数据。

   甲基化水平通常用Beta-Value表示，范围在0-1之间。基因启动子区域的高甲基化通常与其下游基因的表达呈负相关。

4. CNV数据：

   CNV（基因拷贝数变异）是DNA片段的变异，对许多疾病有重要影响。

   TCGA使用Affymetrix SNP 6.0芯片平台对CNV进行检测，并提供了标准化后的数据下载。

   CNV数据通常在-2到2之间波动，异常的拷贝数变化可能是疾病的重要分子机制。

5. WXS和WGS数据：

   WXS（全外显子测序）和WGS（全基因组测序）主要用于检测体细胞突变（SNP）。

   TCGA提供了四种方法（MuSE、MuTect2、VarScan2、SomaticSniper）来分析SNP，并分别提供了结果。

临床信息的具体内容

TCGA数据库提供了丰富的临床随访信息，包括用药、复发、年龄、生存等共包含了一百多项。常用的临床信息主要有：

• 年龄
• 性别
• TNM分期和Grade（肿瘤分级）
• 复发及复发时间
• 总生存期等

数据下载及样本命名规则

• 数据下载：TCGA官方提供了gdc_client和gdc_api两种下载工具，以及第三方数据库如GDAC的Firehose和UCSC的Cancer browser等提供的数据下载服务毁困。其中，gdc_client下载的数据是单个样本的，需要自己手动合并；而第三方数据库提供的数据可能是整合好的，但下载难度和灵活性各不相同。
• 样本命名规则：TCGA对每一个病人都有一个单独的ID，如TCGA-02-0001。这个ID在TCGA数据库中都是通用的，根据这个ID可以在不同类型的数据库中找到同一个病人的信息。样本的命名还包含了采样部位、组织顺序、组分、分析的分子类型、孔板顺序和检测中心等详细信息。

综上所述，TCGA数据库是一个宝贵的癌症基因组学研究资源，为科研人员提供了丰富的临床和分子数据。通过合理利用这些数据，可以深入探究癌症的发病机制和治疗方法，为癌症的精准医疗提供有力支持。