TCGA数据下载和处理

TCGA（癌症基因组图谱）是美国国家癌症研究所（NCI）与美国国家人类基因组研究所（NHGRI）联合发起的大规模癌症研究项目。截至 GDC Data Release 45.0（2025 年 12 月 4 日），基因组数据公共库（Genomic Data Commons, GDC）已累计收录50,270 例病例（cases），覆盖69 个原发癌部位，包含 TCGA 等多个核心癌症基因组研究项目的临床信息、基因组变异、转录组（mRNA/miRNA）、甲基化等多维度组学数据，是全球癌症基础与转化研究的核心数据资源。其中 TCGA 的全部数据已完整整合至 GDC 平台，可通过 GDC Data Portal 网页端进行检索、筛选与下载。为满足不同数据的获取需求，本文将从三个方面进行介绍：TCGA 网页端直接下载、UCSC 网页端快速获取预处理数据，以及基于 TCGAbiolinks 包的程序化批量下载，为后续分析提供标准化、可重复的数据获取流程。

Projects中主要包括五个部分：

• Primary Site（原发部位）

• Program（项目）

• Disease Type（疾病类型）

• Data Category（数据类别）

• Experimental Strategy（测序方法）

项目中不仅仅包括TCGA数据，还包括TARGET（青少年难治性癌症基因组计划）、CGCI（特殊癌症基因组补充计划）等其他相关癌症数据。

Cohort Builder中主要包括六个部分：

• Program（项目计划）

• Project（具体项目）

• Disease Type（疾病类型）

• Primary Diagnosis（主要诊断）

• Primary Site（原发部位）

• Tissue or Organ of Origin（组织、器官）

下面是TCGA中肿瘤类型对照表：

本次我们以TCGA-LUAD肺腺癌作为示例，在当前页面选择：

• Program=TCGA

• Project=TCGA-LUAD

然后切换到Repository页面继续检索⬇️⬇️

切换到Repository页面之后可以发现，我们已经选择了TCGA-LUAD，接下来进行细化检索，其中常见的选择包括：

• Experimental Strategy（实验策略）: RNA‑Seq

• Data Category（数据类型）: Transcriptome Profiling

• Data Type（具体数据类型）:

  Gene Expression Quantification

• Access（数据权限）: Open

• Tissue Type：normal/tumor

• Tumor Descriptor（肿瘤描述）:

  Primary Tumor

在选择之后，可以看到从 TCGA 数据库获取肺腺癌（LUAD）原发肿瘤样本的公开 RNA‑Seq 基因表达定量数据，共包含601 个表达文件，其中肿瘤组织 542 例、正常组织 59 例，数据总量 2.55 GB。

在选择好数据之后点击"Add All Files to Cart"。将所有文件添加至Cart，然后切换到Cart页面进行数据下载。下载好后就可进行整理使用啦！

通过浏览器检索UCSC xena，进入官网（http://xena.ucsc.edu/）点击Launch Xena，随后点击左上角DATA SETS或直接点击链接进入UCSC数据页面https://xenabrowser.net/datapages/

选择要下载的TCGA数据，以TCGA-LAML数据为例，点击GDC TCGA Acute Myeloid Leukemia (LAML) 进入相关页面

可以看到多种数据类型，其中gene expression RNAseq数据为转录组数据（包含原始表达数据STAR - Counts和处理后FPKM、TPM等）。phenotype包含Phenotype（样本各种数据包括年龄、性别、病史、阶段等）和survival data（生存数据）。

！！注：UCSC xena中的counts、fpkm、tpm数据是log2(counts+1)、log2(fpkm+1)、log2(tpm+1)的结果。

以上述查找的TCGA-LAML数据为例，下载其转录组测序数据以及其临床数据信息解压至本地进行处理

library(data.table)library(dplyr)library(tidyr)library(tibble)library(limma)library(DESeq2)# TPM数据的处理 -----------------------------------------------------------logtpm<- fread("TCGA-LAML.star_tpm.tsv",data.table = F)logtpm$Ensembl_ID<- substr(logtpm$Ensembl_ID,1,15)logtpm <- as.data.frame(avereps(logtpm[,-1], ID = logtpm$Ensembl_ID))##去除在所有样本中不表达的基因logtpm <- logtpm[apply(logtpm, 1,function(x)sum(x!=0)>0),]# FPKM数据的处理 -----------------------------------------------------------logfpkm<- fread("TCGA-LAML.star_fpkm.tsv",data.table = F)logfpkm$Ensembl_ID<- substr(logfpkm$Ensembl_ID,1,15)logfpkm <- as.data.frame(avereps(logfpkm[,-1], ID = logfpkm$Ensembl_ID))##去除在所有样本中不表达的基因logfpkm <- logfpkm[apply(logfpkm, 1,function(x)sum(x!=0)>0),]# 临床数据的处理-------------------------------------------------------------------------#读取生存数据sur <- fread("TCGA-LAML.survival.tsv",data.table = F)sur$OS.time<- as.numeric(sur$OS.time)sur$OS<- as.numeric(sur$OS)rownames(sur) <- sur$sample#读取临床数据cli <- fread("TCGA-LAML.clinical.tsv",data.table = F)cli <- cli[, c(  "sample",                            "primary_site",                      "disease_type",                      "gender.demographic",                "race.demographic",                   "age_at_index.demographic",          "age_at_diagnosis.diagnoses",         "vital_status.demographic",           "days_to_death.demographic",           "days_to_last_follow_up.diagnoses",   "sample_type.samples",                "specimen_type.samples"            )]#将生存数据与临床数据合并TCGA_aml <- merge(sur,cli,by=1)table(TCGA_aml$OS)TCGA_aml$OS.time<- as.numeric(TCGA_aml$OS.time)/365TCGA_aml$Age<- as.numeric(TCGA_aml$age_at_diagnosis.diagnoses)table(TCGA_aml$gender.demographic)TCGA_aml$Gender<- ifelse(TCGA_aml$gender.demographic=='female','Female','Male')TCGA_aml2 <- TCGA_aml%>% dplyr::select(sample,OS,OS.time,Age,Gender,everything())#临床数据与表达数据合并x <- intersect(TCGA_aml2$sample,colnames(logtpm))TCGA_aml2 <- TCGA_aml2[TCGA_aml2$sample%in%x,]logfpkm <- logfpkm[,x]logtpm <- logtpm[,x]#保存数据save(logfpkm,logtpm,TCGA_aml2,file ='TCGA_LAML.rda')

TCGAbiolinks是 R 语言中专门用于下载、整理、分析 TCGA数据的核心生物信息学包，整合 GDC官方 API，解决了 TCGA 原始数据下载繁琐、格式杂乱、预处理复杂的痛点。

if(!require("BiocManager", quietly = TRUE))    install.packages("BiocManager")BiocManager::install("TCGAbiolinks")

可以查看R包中共有多少种TCGA数据：

library(TCGAbiolinks)projects <- TCGAbiolinks::getGDCprojects()$project_id projects <- projects[grepl('^TCGA', projects, perl=TRUE)]projects [1] "TCGA-LGG"  "TCGA-BRCA""TCGA-LAML""TCGA-UCS"  "TCGA-GBM"[6] "TCGA-THYM""TCGA-TGCT""TCGA-PCPG""TCGA-CHOL""TCGA-DLBC"[11] "TCGA-CESC""TCGA-ESCA""TCGA-ACC"  "TCGA-KICH""TCGA-HNSC"[16] "TCGA-READ""TCGA-COAD""TCGA-BLCA""TCGA-LIHC""TCGA-MESO"[21] "TCGA-KIRP""TCGA-SKCM""TCGA-SARC""TCGA-LUAD""TCGA-PRAD"[26] "TCGA-LUSC""TCGA-PAAD""TCGA-UVM"  "TCGA-KIRC""TCGA-THCA"[31] "TCGA-OV"   "TCGA-UCEC""TCGA-STAD"

1. 数据查询GDCquery()：构建查询，指定癌症、数据类型、样本类型、平台等，不直接下载，仅返回检索结果。

• project：TCGA项目如TCGA-LAML,TCGA-BRCA等

• data.category：数据大类(Transcriptome Profiling,DNA Methylation,Simple Nucleotide Variation）

• data.type：数据子类(Gene Expression Quantification、Methylation Beta Value等）

• workflow.type：分析流程(HTSeq - FPKM、HTSeq - Counts、STAR - Counts）

• sample.type：样本类型（Primary Tumor原发肿瘤、Solid Tissue Normal癌旁正常）

query<- GDCquery(  project = "TCGA-READ",  data.category = "Transcriptome Profiling",  data.type = "Gene Expression Quantification",  workflow.type = "STAR - Counts",)getResults(query)

1. 数据下载GDCdownload()：基于GDCquery的结果，自动下载所有匹配文件，支持断点续传、本地缓存。

GDCdownload(query)Downloading data for project TCGA-READGDCdownload will download 177 files. A total of 747.57671 MBDownloading as: Wed_Apr__8_16_04_30_2026.tar.gzDownload failed. We will retry with smaller chunksDownloading chunk 1 of 8 (24 files, size = 101.244325 MB) as Wed_Apr__8_16_04_30_2026_0.tar.gz    

1. 数据整理GDCprepare()：将下载的原始文件（BAM、TSV 等）转换为SummarizedExperiment 对象（包含表达矩阵、样本信息、基因注释）。

• 基因 ID 转换（Ensembl ID ↔ Gene Symbol）

• 样本去重、过滤低质量样本

• 整合临床表型数据（年龄、性别、生存时间、分期等）

• 生成标准化表达矩阵（行 = 基因，列 = 样本）

# 整理数据data <- GDCprepare(query)|===============================================|100%                      Completed after 6 s Starting to add information to samples => Add clinical information to samples => Adding TCGA molecular information from marker papers => Information will have prefix 'paper_'read subtype information from:doi:10.1038/nature11252Available assays in SummarizedExperiment :   => unstranded  => stranded_first  => stranded_second  => tpm_unstrand  => fpkm_unstrand  => fpkm_uq_unstrand# 提取基因表达矩阵（counts）counts <- assay(data, "unstranded")tpm <- assay(data, "tpm_unstrand")fpkm <- assay(data, "fpkm_unstrand")# 提取样本临床信息clinical_data <- colData(data)# 提取基因注释（ID、symbol、类型）gene_anno <- rowData(data)#样本信息Group <- make_tcga_group(counts)table(Group)#如果处理的数据为AML数据，和其他TCGA数据有一点区别，因此在使用这个函数时会报错，显示临床数据中缺失`disease_response`列data <- GDCprepare(query)|==============================================|100%                      Completed after 4 s Starting to add information to samples => Add clinical information to samplesError in `dplyr::select()`:! Can't select columns that don't exist.✖ Column `disease_response` doesn't exist.Run `rlang::last_trace()` to see where the error occurred.

1. 临床数据处理GDCquery_clinic：下载整理 TCGA 临床数据（生存、病理分期、治疗信息等），无需关联组学数据。

clinical <- GDCquery_clinic(project = "TCGA-READ", type = "clinical")dim(clinical)[1] 172157head(clinical[,c("bcr_patient_barcode","vital_status","days_to_death","days_to_last_follow_up")])  bcr_patient_barcode vital_status days_to_death days_to_last_follow_up1        TCGA-AF-3912 Not Reported            NA                     NA2        TCGA-AG-4009        Alive            NA                    4263        TCGA-G5-6572         Dead          1432                   14324        TCGA-AG-3580        Alive            NA                    2445        TCGA-AG-3891        Alive            NA                    5486        TCGA-AF-2693        Alive            NA                   1155

1. 差异表达分析TCGAanalyze_DEA：内置差异分析流程，支持limma-voom（适合 FPKM/TPM）、edger（适合 raw counts），自动输出差异基因列表（上下调、log2FC、p 值、FDR）。

# 提取两组表达矩阵mat_tumor  <- counts[, Group == "tumor"]mat_normal <- counts[, Group == "normal"]# 差异分析（肿瘤 vs 正常）dea_results <- TCGAanalyze_DEA(+   mat1 = mat_tumor,+   mat2 = mat_normal,+   Cond1type = "Tumor",+   Cond2type = "Normal",+   pipeline = "edgeR",     +   fdr.cut = 0.05,+   logFC.cut = 1+ )Batch correction skipped since no factors provided----------------------- DEA -------------------------------o 167 samples in Cond1type Tumoro 10 samples in Cond2type Normalo 60660 features as miRNA or genes This may take some minutes...----------------------- END DEA -------------------------------# 查看差异基因head(dea_results)                      logFC    logCPM        PValue           FDRENSG00000183034.137.411759  2.0021501.041996e-2416.320748e-237ENSG00000167916.5  7.301191-1.4654107.336898e-1982.225281e-193ENSG00000123560.146.466769  1.6235007.714723e-1791.559917e-174ENSG00000157005.4  6.253946  1.4572664.384521e-1646.649126e-160ENSG00000136546.166.194023  2.3680157.769426e-1639.425867e-159ENSG00000115263.156.150191  3.1783981.070325e-1591.082099e-155# 提取基因注释（包含 ID 和 基因名）gene_anno <- rowData(data)  # 给差异结果添加基因名dea_results$gene_id <- rownames(dea_results)dea_results$gene_symbol <- gene_anno[dea_results$gene_id, "gene_name"]deg <- dea_results[, c("gene_symbol", setdiff(colnames(dea_results), "gene_symbol"))]#绘制火山图TCGAVisualize_volcano(  x = deg$logFC,  y = deg$FDR,  names = deg$gene_symbol,  x.cut = 1,  y.cut = 0.05,  filename = "READ_volcano.pdf")

1. 生存分析TCGAanalyze_survival：结合基因表达与临床数据，做Kaplan-Meier 生存分析，自动分组（高表达 / 低表达）、计算 log-rank p 值

library(TCGAbiolinks)library(dplyr)library(tibble)library(survival)library(survminer)expr_surv <- tpmrownames(expr_surv) <- gene_anno$gene_nameexpr_surv <- expr_surv[!duplicated(rownames(expr_surv)), ]  tumor_mask <- substr(colnames(expr_surv), 14, 15)== "01"expr_surv <- expr_surv[, tumor_mask] colnames(expr_surv) <- sapply(strsplit(colnames(expr_surv), "-"),                               function(x) paste0(x[1:3], collapse = "-"))clinical_patient <- GDCquery_clinic(project = "TCGA-READ", type = "clinical")KRAS_expr <- as.data.frame(t(expr_surv["KRAS", , drop = FALSE]))colnames(KRAS_expr) <- "KRAS"KRAS_expr$submitter_id <- rownames(KRAS_expr)  df_surv <- clinical_patientdf_surv$KRAS <- KRAS_expr$KRAS[match(df_surv$submitter_id, KRAS_expr$submitter_id)]df_surv <- df_surv[!is.na(df_surv$KRAS), ]df_surv <- df_surv %>%  filter(vital_status %in% c("Alive", "Dead")) %>%  filter(    (!is.na(days_to_death) & vital_status == "Dead") |       (!is.na(days_to_last_follow_up) & vital_status == "Alive")  )df_surv <- df_surv %>%  mutate(    time = case_when(      vital_status == "Dead" ~ days_to_death,      vital_status == "Alive" ~ days_to_last_follow_up    ),    event = ifelse(vital_status == "Dead", 1, 0)  ) %>%  filter(!is.na(time)) median_expr <- median(df_surv$KRAS, na.rm = TRUE)df_surv$exp_group <- ifelse(  df_surv$KRAS >= median_expr,"High expression",  "Low expression")TCGAanalyze_survival(  data = df_surv,  clusterCol = "exp_group",  timeCol = "time",            eventCol = "event",          risk.table = FALSE,  conf.int = FALSE,  color = "Dark2",  main = "TCGA-READ KRAS Survival Analysis",  xlab = "Time (days)",  ylab = "Survival Probability",  filename = "READ_KRAS_survival.pdf",  pvalue = TRUE)

关于TCGAbiolinks可以点击官方文档了解更详细的内容：https://bioconductor.org/packages/release/bioc/manuals/TCGAbiolinks/man/TCGAbiolinks.pdf

！！！本文所涉及的 TCGA 相关数据统计与获取方法，是基于文章发表前的平台版本与数据发布情况。随着数据库的持续更新与迭代，具体数据信息、平台功能及获取路径请以对应时间的官方最新版本为准。

中科博林是一家以“AI虚拟细胞大模型”为核心驱动，可为科研院所、医院及药企客户提供AI药物筛选、多组学测序与分析、类器官建模及试剂研发的高新技术企业，隶属于博林医疗集团，总部位于沈阳博林医疗科技产业园，中心实验室面积1000平方米。自2024年5月正式运营以来，公司持续加大研发投入，截止目前，已获批软件著作权16项，申报专利4项，发现难治型胃癌相关老药新用方案3项，已积累涵盖人肺腺癌、人肺鳞癌、人肺组织、人肝癌、人胃癌、人胃上皮、人乳腺癌、人甲状腺癌、人结肠癌、人软骨、人脑胶质瘤、人前列腺癌、小鼠结肠等十余种样本类型、百余例样本的类器官模型构建经验。核心成果涵盖多组学自动分析流程、AI虚拟细胞大模型、类器官研发体系、难治性疾病老药新用方案等。未来，中科博林将继续以Bioseeker ™AI虚拟细胞大模型为核心，结合多组学及类器官技术，以高效优质的服务态度，在转化医学及新药研发方面更好地为“博林客户”赋能！