TCGA数据库介绍以及下载方式小结

美国政府发起的癌症和肿瘤基因图谱（Cancer Genome Atlas，TCGA）计划，试图通过应用基因组分析技术，特别是采用大规模的基因组测序，将人类全部癌症（近期目标为50种包括亚型在内的肿瘤）的基因组变异图谱绘制出来，并进行系统分析，旨在找到所有致癌和抑癌基因的微小变异，了解癌细胞发生、发展的机制，在此基础上取得新的诊断和治疗方法，最后可以勾画出整个新型“预防癌症的策略”。TCGA 使命:提高人们对癌症发病分子基础的科学认识及提高我们诊断、治疗和预防癌症的能力TCGA 目标:完成一套完整的与所有癌症基因组改变相关的“图谱”。

TCGA收录的了很全面的癌症基因组数据，包括突变，拷贝数变异，mRNA表达，miRNA表达，甲基化数据等

这些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

（其中level1和level2为controlled-access，level1和level2 是原始数据，文件较大且数据粗糙不利于进一步分析，level-3有部分是controlled-access，数据类型为controlled-access的数据需要向TCGA申请使用权限，数据类型为open-access的可以直接下载利用）

若要下载需要使用官方提供的小工具：GDC Data Transfer Tool。

常用下载方式

• （1）官方下载方式

TCGA官网的data-portal: portal.gdc.cancer.gov 优点：数据最全，更新最快 缺点：下载速度慢，不利于进一步分析。

• （2）Firehose网页下载方式

Firehose服务器：gdac.broadinstitute.org 优点：这里的数据经过了简单的合并，将每种癌症相同类型的数据合并到了一个文件中，下载方式最简单且可以直接下一步分析 缺点：临床随访数据几乎没有更新。

• （3）使用R包的下载方式

R包包括TCGA-ASSEMBLER 、TCGA2STAT、GDCRNATOOLS等。但是我最常用的是TCGAbiolinks包，因为该包更新比较快，同时也是直接下载官网数据保证准确性，同时该包的使用者比较多，利于进一步分析和挖掘。

TCGAbiolinks是一个基于GDC提供的API访问GDC中TCGA的数据，并可以通过调用gdc-client下载数据，还可以对下载的数据进行整合和分析的R软件包。