TCGA数据合并实战：4种方法哪种最稳？

引言Introduction

TCGA数据合并是很多生信分析的第一道门槛。样本来源不同，表达量格式不同，批次效应也不同。若合并不规范，后续差异分析和PCA很容易失真。下面结合GTEx、recount2和TCGA常见流程，梳理4种合并思路，帮助你少走弯路。

1. 为什么TCGA数据合并不能直接“拼表”

1.1 样本来源不同，不能默认可比

TCGA的肿瘤样本、癌旁样本、正常样本，生物学来源本就不同。GTEx的正常组织来自健康个体。这意味着即使组织名称相同，样本背景也不完全一致。
在肝脏数据中，癌旁组织和正常肝组织在PC图上会更接近，但它们并不是严格意义上的同类样本。若直接把它们当成完全可比对象，差异分析会引入偏差。

1.2 批次效应会先于生物学差异出现

在实际数据里，PCA常常先分出“数据来源”，再分出“疾病状态”。这说明批次效应可能比真实信号更强。
所以，TCGA数据合并的核心，不只是把矩阵拼在一起，而是先保证数据结构一致，再尽量减少技术偏差。

1.3 先看PCA，再决定处理策略

PCA图只能作为参考，不能作为最终裁决。知识库中提到，K=1时数据更接近，K=2时更集中，但样本仍能分成几个区块。
这说明：PCA可提示是否需要校正，但不能替代正式的合并与差异分析流程。

2. 方法一：UCSC来源的TCGA与GTEx合并

2.1 先统一基因ID，再做列方向合并

UCSC下载的数据通常已经经过整理。常见做法是先提取基因ID和基因名，再把表达矩阵按基因对齐。
知识库中使用 next join 思路，将基因ID与基因信息放在前面，再按ID合并。前提是两个矩阵的行名和顺序一致。

2.2 数值处理要注意“逆转换”

这类数据常经过处理，不一定保留原始计数。知识库中提到，可对数值列批量处理，把处理后的值逆回整数形式。
例如对数值列使用 across 批量操作，只处理数值列，保留字符串列不变。
这一点很关键，因为后续若要做某些差异流程，输入格式必须一致。

2.3 优点和局限

这种方式的优点是操作较直观，适合快速整合。
局限也很明确：

• 数据类型可能不是原始计数。
• 不同组织来源的样本仍可能存在批次差异。
• 若临床信息与表达矩阵同步不严谨，后面还要补很多清洗工作。

适合有一定R基础、希望快速完成TCGA数据合并的人。

3. 方法二：recount2项目下载后再合并

3.1 recount2的优势是结构更标准

recount2提供按组织类型分类的数据，GTEx和TCGA都能按同一框架下载。知识库中以肝脏样本为例，分别下载GTEx正常肝组织和TCGA肝癌数据，再进行合并。
这种方式的好处是：数据对象统一，便于后续差异分析。

3.2 推荐先检查基因行是否完全一致

在合并前，先确认两个对象的行信息一致。知识库中明确指出，GTEx与TCGA的行信息一致后，才可以直接合并。
这一步不能省。因为如果基因集合不一致，合并后会出现大量缺失值，影响下游分析。

3.3 recount2合并后的样本量更大

知识库中提到，GTEx正常肝脏样本有136个，TCGA肝癌样本有424个。合并后样本规模更充足，适合做差异表达分析。
但也要注意：样本数量增加，不等于偏差自动消失。 PCA中仍可能看到明显分层，因此后续校正仍然必要。

4. 方法三：TCGA与GTEx合并后做批次校正

4.1 k值选择影响合并结果

知识库中比较了k=0、1、2、3等设置。结论很清晰：k=1更稳妥。
原因是k=1进行了管家基因矫正，而不是完全不校正。对比结果显示，k=0和k=1的差异基因有约2/3一致，约1/3不一致。
这说明校正会影响最终结果，不能忽视。

4.2 差异基因重合度比单次结果更重要

在多个k值之间，如果某个基因反复出现在共同差异基因中，它更值得关注。
相反，如果某基因只在k=0中出现，而在k=1中消失，就要警惕它可能是假阳性。

4.3 这类方法适合什么场景

如果你的目标是把TCGA和GTEx联合起来找差异基因，这种方法很实用。
适用前提是：

• 已完成样本整理。
• 已统一表达量格式。
• 已接受批次校正会改变部分结果。

对于科研论文中的正式分析，k=1通常比不校正更可信。

5. 方法四：只用TCGA内部数据做差异分析

5.1 内部比较比跨库合并更稳

如果研究问题允许，只在TCGA内部比较肿瘤与癌旁，往往比跨TCGA和GTEx更稳。
因为样本来源、测序平台、处理流程更一致，批次效应更小。

5.2 TCGA临床信息也要同步整理

知识库中提到，TCGA临床信息最好优先使用官方整理好的tab格式，而不是反复解析XML。
原因很直接：tab格式已经按病人ID、分期、TNM、性别、生存等信息整理好，减少了代码复杂度，也更少出错。
如果临床分组有误，差异分析就会从源头偏掉。

5.3 何时优先选这个策略

当研究重点是：

• 肿瘤内部亚型比较
• 生存分析
• 分期相关分析
• 只需要TCGA样本

那就不一定非要和GTEx合并。
能不合并时，尽量减少跨项目整合。 这是降低风险的实用原则。

6. 四种方法怎么选，哪种最稳

6.1 如果追求稳妥，优先级是这样的

综合知识库中的经验，建议这样排序：

1. TCGA内部分析最稳。
2. recount2统一框架下合并，次稳。
3. UCSC整理数据合并，可快速实施。
4. 不校正直接合并，风险最高。

6.2 如果必须做TCGA与GTEx联合分析

建议按以下顺序执行：

• 先确认基因ID一致。
• 再统一表达量格式。
• 然后做PCA初筛。
• 最后用合适的校正策略，优先考虑k=1。
• 差异基因结果要看重合度，不只看单次输出。

6.3 最常见的三个坑

第一，误把癌旁当正常。
癌旁不是健康个体组织，生物学背景不同。

第二，忽略批次效应。
PCA能分开，往往说明要先处理偏差。

第三，只看一个k值。
不同k值结果有差异，最好做交叉验证式判断。

总结Conclusion

TCGA数据合并的关键，不是“把矩阵拼起来”，而是先统一数据结构，再尽量控制批次效应。若追求稳妥，优先做TCGA内部分析 。若必须联合GTEx，recount2和k=1校正思路更值得优先考虑 。
在实际科研中，规范的数据整理往往决定下游结果是否可信。若你希望用更成熟的流程减少合并误差、提升分析效率，可以关注解螺旋 的生信方法与实战内容，帮助你更快完成TCGA数据合并与差异分析。