TCGA：癌症多组学数据在靶点发现中的用途

TCGA（The Cancer Genome Atlas）是癌症基因组学的奠基性项目：对 33 种癌症、逾 11,000 例患者样本做了系统的多组学表征，并配有临床随访数据。今天几乎所有癌症相关的计算研究都直接或间接建立在它之上。

数据类型与层级

访问层级：处理后的汇总数据（表达矩阵、突变列表）是开放访问；原始测序数据（BAM/FASTQ）和胚系变异是受控访问，需通过 dbGaP 申请授权。做常规分析用开放数据即可。

获取方式

# 方式一：GDC 数据门户 / gdc-client（官方，最全）
gdc-client download -m manifest.txt

# 方式二：R 的 TCGAbiolinks（最方便）
# library(TCGAbiolinks)
# query <- GDCquery(project="TCGA-LUAD",
#                   data.category="Transcriptome Profiling",
#                   data.type="Gene Expression Quantification",
#                   workflow.type="STAR - Counts")
# GDCdownload(query); data <- GDCprepare(query)

# 方式三：UCSC Xena（预处理好的矩阵，最快上手）
# https://xenabrowser.net —— 可直接下载 TSV

# 方式四：cBioPortal（交互式探索，见 269）

# 方式五：Recount3 / GDC 的标准化表达数据

import pandas as pd

# 用 Xena 下载的表达矩阵做快速分析
expr = pd.read_csv("TCGA-LUAD.htseq_fpkm.tsv", sep="\t", index_col=0)
pheno = pd.read_csv("TCGA-LUAD.GDC_phenotype.tsv", sep="\t", index_col=0)
surv  = pd.read_csv("TCGA-LUAD.survival.tsv", sep="\t", index_col=0)

# 样本条码的第 4 段区分肿瘤与正常
# 01=原发肿瘤  11=癌旁正常  06=转移
tumor  = [c for c in expr.columns if c.split("-")[3].startswith("01")]
normal = [c for c in expr.columns if c.split("-")[3].startswith("11")]
print(f"肿瘤 {len(tumor)} 例，配对正常 {len(normal)} 例")

分析中的关键陷阱

• 正常样本极少且是癌旁组织。这是最容易出问题的一点。多数癌种只有几十例「正常」样本，且都是癌旁组织——它们受肿瘤微环境影响，已发生场效应（field effect），不等于健康人组织。做差异表达时，用 GTEx 的健康组织作对照往往更合适（但需处理批次效应）。
• 肿瘤纯度差异巨大：不同样本的肿瘤细胞含量从 20% 到 95% 不等。表达差异可能只反映纯度差异而非生物学差异。分析时应把纯度（ABSOLUTE、ESTIMATE 等估计值）作为协变量。
• 批次效应：样本采集自多个中心、跨越多年、用过不同平台版本。必须做批次校正（ComBat 等），或至少把批次作为协变量。
• 生存分析的混杂：单变量的生存差异极易被分期、年龄、治疗方案混杂。必须做多变量 Cox 回归，并检验比例风险假设。
• 多重检验：两万个基因逐个检验，不做 FDR 校正必然产生大量假阳性。
• 样本条码解读：TCGA 条码（如 TCGA-05-4384-01A-01R-1206-07）各段有确切含义，混淆会导致把转移灶当原发灶。

在药物研发中的用途

• 靶点表达验证：靶点在目标癌种中是否高表达？相比正常组织的选择性如何？这直接关系治疗窗口。
• 患者分层假设：按分子特征分组，哪一组可能从该靶点获益？
• 生物标志物候选：与预后或某分子特征相关的基因，可作为候选标志物（需独立队列验证）。
• 免疫微环境分析：用表达数据推断免疫细胞浸润（CIBERSORT 等），支持免疫治疗相关决策。
• 与细胞系对照：验证所选细胞系模型（见 265《CCLE》）是否代表真实肿瘤的分子特征。

相关资源

• GTEx：健康组织的表达数据，做正常对照的更好选择；
• ICGC / PCAWG：国际癌症基因组联盟，含全基因组数据；
• CPTAC：与 TCGA 样本配套的深度蛋白组学数据；
• MSK-IMPACT：更大规模的临床测序队列（见 269《cBioPortal》）。

延伸资源

• 交互查询：269《cBioPortal》；细胞系数据：265《CCLE》、264《DepMap》；
• 靶点证据：249《Open Targets Platform》、250《Open Targets Genetics》。