TCGA数据清洗指南：4类常见错误解析

引言Introduction

做TCGA数据分析时，很多人不是败在算法，而是败在tcga数据清洗 。样本ID重复、分期字段混乱、XML解析麻烦、重复测序样本难以取舍，这些问题会直接影响分组、统计和下游结果。本文用4类常见错误，帮你快速建立可靠的清洗思路。

1. 分期字段混乱，最容易选错研究对象

1.1 Clinical stage 和 pathological stage 不要混用

TCGA临床信息里，分期常见两种来源。一个是临床医生根据表现判断的 clinical stage。另一个是基于病理标本确认的 pathological stage。做研究时，优先关注 pathological stage。

在肿瘤分层分析里，很多队列只需要明确的病理分期。上游知识库中提到，stage 3 可能还细分为 3A、3B、3C。TNM 也一样，T、N、M 都可能出现更细颗粒度。如果不先统一字段，会导致分组不一致，甚至样本误纳入。

1.2 推荐先定规则，再做筛选

清洗前，先把纳入标准写清楚。比如：

• 只保留 pathological stage 为 stage 3 的样本。
• TNM 中，关注 T3、N x、M0 这类组合时，要先确认字段定义。
• 不要直接把 XML 或临床表中的原始字符串拿来分组。

分期字段的核心不是“看起来像”，而是“是否按同一标准定义”。
对医学生和科研人员来说，这一步决定了队列是否可信。

2. 样本ID和barcode重复，导致一人多条记录

2.1 TCGA barcode 不是普通编号

TCGA 的 barcode 是样本识别的核心。它能反映项目来源、组织来源点、样本类型、板号、分析类型等信息。知识库中提到，sample 部分最常用。比如 01 到 09 通常代表 tumor，10 到 19 代表 normal。

如果只看前几位ID，很容易把同一个病人的不同测序记录当成不同样本。
这会直接造成样本数虚高，统计偏差明显。

2.2 重复样本要按规则筛选

TCGA 中常见的重复问题包括：

• 同一病人有多个管子或多个板子测序。
• 同一样本在不同中心、不同 plate 出现。
• FFPE 样本和非 FFPE 样本并存。

上游知识库提到，处理重复样本时，可以参考官方的 replicate filter 思路。一般会结合 analyte replicate filter 和 sort replicate filter。原则是保留更合理、更新、更符合规范的记录。

在实际 tcga数据清洗 中，建议优先检查：

1. barcode 前四位或更高层级是否一致。
2. plate、center、analyte 是否不同。
3. 是否存在重复测序或后者更合适的记录。

不要简单按“先来先得”处理重复样本。
对同一病例，错误保留会破坏样本独立性。

3. XML 文件信息太细，临床字段难以标准化

3.1 XML 能提取很多信息，但代价高

TCGA 的 XML 临床文件包含较多细节，像 stage、TNM、随访、生存信息等都可能在里面。但问题也很明显。知识库指出，XML 格式会出现非常多细分类，比如 stage 3 下面还有 3A、3B、3C，N 分期也可能有更多细项。这会增加解析难度，也让字符串切割更容易出错。

对需要批量分析的人来说，XML 并不是最省事的方案。尤其当你要同时处理多个项目时，字段名、层级和缺失值都可能不统一。

3.2 优先使用 TCGA 推荐的 tab 格式

知识库明确提到，TCGA 工作人员更推荐使用 tab 格式。它把文件细致归类，常见的包括：

• clinic patient 文件
• follow up 文件
• 放疗治疗文件
• 用药文件

这类文件把临床信息整理得更规整。比如 clinic patient 文件中，能直接看到病人 ID、分期、性别、种族、TNM、CT 分期和生存信息。它和 XML 的信息一致，但读取和整理更方便。

对于 tcga数据清洗 来说，推荐做法是：

• 先用 tab 文件建立主临床表。
• 再按研究目的补充随访或治疗信息。
• 最后统一字段命名和分级标准。

这样可以显著减少代码复杂度，也能降低手工错误。

4. 版本差异和批次问题，容易被忽略

4.1 legacy 和 harmonized 不能直接等同

TCGA 数据还有一个常见问题，就是版本不同。知识库提到，legacy 数据和 GDC 的 harmonized 数据在参考基因组、比对软件、质控策略上都有差异。比如 harmonized 数据会清除质控失败的 reads，而 legacy 数据未必会做同样处理。这会影响后续比对、表达定量和变异分析。

对转录组数据来说，新版本常用 STAR 重新比对。对突变数据，也可能从旧 caller 切换到 Mutect2。参考基因组还可能从 hg19 升级到 hg38。版本不同，结果可比性就不能默认成立。

4.2 合并 TCGA 和 GTEx 时要特别小心

在队列整合中，批次效应是另一个高频错误。知识库建议，若要合并 TCGA 和 GTEx，优先下载 UCSC 网站上重新计算好的数据，这样技术差异和批次效应更小。

具体到 tcga数据清洗，建议按以下顺序检查：

1. 明确数据来源，是 legacy 还是 harmonized。
2. 统一参考基因组版本。
3. 统一表达量或突变注释体系。
4. 去除低质量样本和不表达基因。

如果版本没统一，再漂亮的统计图也可能是伪结论。

4.3 基因过滤同样重要

除了样本层面，基因层面的清洗也不能省。上游知识库提到，通常会过滤掉不表达或低表达基因，以提高差异分析的敏感性和准确度。这个步骤很基础，但很关键。

常见做法包括：

• 去除全 0 或极低表达基因。
• 保留在足够样本中表达的基因。
• 对 NA 值做统一处理。

样本没清干净，基因再多也没意义。

5. 一套更稳妥的 TCGA 清洗流程

5.1 先临床，后表达，最后整合

如果你想降低出错率，可以按这个顺序做：

1. 下载官方最新临床信息。
2. 统一 stage、TNM、性别、种族等字段。
3. 按 barcode 识别重复样本。
4. 清理重复测序和低质量记录。
5. 再进入表达矩阵或突变数据分析。

这个顺序的好处，是先保证分组正确，再谈统计建模。

5.2 关注官方更新和下载来源

TCGA 临床信息会更新。知识库中提到，某些项目在网页中输入临床信息时，曾出现不准确情况，后来通过更新得到修复。因此，尽量从官网或权威镜像下载最新版本，不要长期复用旧表。

对科研工作来说，数据来源越标准，后续审稿和复现越容易。

5.3 借助成熟工具减少人工误差

如果你在做 tcga数据清洗，不必所有步骤都手工完成。可以借助标准化流程、R 包和公开注释表。关键是保持规则一致，并保留清洗日志。这样在后续论文、汇报或复现时，能说明每一步如何处理。

清洗不是删数据，而是让数据可解释、可追踪、可复现。

总结Conclusion

TCGA 数据分析的难点，往往不是不会建模，而是前期清洗不到位。本文总结了4类常见错误：分期字段混用、barcode 和重复样本处理不当、XML 解析和临床字段标准化困难、版本差异与批次效应被忽视。只有把 tcga数据清洗 做规范，后续差异分析、生存分析和分子分型才有可信基础。

如果你希望减少重复劳动，提升 TCGA 数据整理效率，可以借助解螺旋 的专业内容和工具思路，按标准化流程快速完成清洗、筛选与整合。这样不仅更省时，也更利于科研复现。