TCGA数据注释怎么做？6步速成指南

引言Introduction

TCGA数据注释是生信分析里最容易出错的一步。样本类型分不清，临床分期提取不准，后续差异分析和生存模型都会偏。如果你要做肿瘤转录组分析，先把TCGA数据注释做对，结果才可信。

TCGA数据注释并不只是“改个样本名”。它涉及metadata、barcode、临床字段、样本过滤和基因ID处理。对医学生、医生和科研人员来说，掌握这一步，才能更高效地复现文献和构建模型。

1.TCGA数据注释的核心逻辑

1.1 先认清你要注释什么

TCGA数据注释通常围绕三类信息展开。第一类是样本信息。第二类是临床信息。第三类是表达矩阵的基因信息。这三类信息必须能通过统一的ID对应起来。

在TCGA里，barcode是样本识别的基础。它能告诉你项目来源、样本类型、分析平台和测序批次。常用的样本类型中，01多指肿瘤样本，11多指正常样本。对肿瘤研究来说，这一步是后续分组分析的前提。

1.2 注释错误最常见的地方

很多人会把临床分期和病理分期混用。实际上，clinical stage是临床医生根据临床表现判断，pathological stage是根据病理标本确认。 课程知识库中明确提到，分析时更应关注病理分期，尤其是stage 3这类关键信息。

另一个常见问题是样本重复。TCGA同一病例可能存在多条测序记录，合并前需要先判断保留哪条数据。课程中强调，处理重复样本时要结合barcode和数据质量，避免把多个技术重复当成独立样本。

2.下载metadata并建立样本对应关系

2.1 metadata是TCGA数据注释的起点

metadata本质上是“描述数据的数据”。它通常包含样本ID、文件名、组织类型、临床字段等信息。如果没有metadata，表达矩阵和临床文件很容易错配。

课程提到，GDC提供的JSON格式metadata可以用R中的jsonlite包读取。它的作用不是分析本身，而是帮你建立文件名与sample ID之间的映射关系。对批量下载的TCGA数据，这一步尤其重要。

2.2 如何判断文件是否可用

在实际项目中，建议先核对以下内容：

1. 文件名是否和样本ID一一对应。
2. 样本是否来自目标癌种。
3. 是否存在缺失过多的临床字段。
4. 是否有重复病例或重复测序记录。

课程中还提到，可以通过manifest文件辅助整理样本和文件名的关系。这一步能显著减少后续合并时的错误率。

3.用barcode提取样本类型和组织学信息

3.1 barcode里藏着关键注释

TCGA barcode不是随便生成的编号。它包含项目、组织来源、样本编号、测序信息等内容。对分析者来说，最常用的是样本层面的识别信息。比如第14到15位常用于区分原发肿瘤和正常组织。

这也是TCGA数据注释中最实用的一步。你不需要手动逐个判断样本来源，只要按规则解析barcode，就能快速完成样本分组。

3.2 需要特别关注的字段

根据知识库，barcode和临床文件里有几个字段很关键：

• 样本类型，判断肿瘤或正常。
• 病理分期，重点看pathological stage。
• TNM分期，尤其是T3、N x、M0这类组合。
• 性别、种族、随访、生存状态等基础临床变量。

如果你的研究目标是预后模型，病理分期和生存信息必须优先核对。

4.整理临床文件并清洗缺失值

4.1 临床信息要先标准化

TCGA临床文件里常出现字段不统一、重复列和缺失值过多的问题。课程中给出的做法是先检查缺失情况，再进行数据格式转换。缺失率超过20%的变量，通常建议优先过滤。

对于数值型变量，可以转换为因子水平，便于后续建模。对分类变量，则要统一命名和编码，避免“stage III”和“stage 3”被当成不同水平。

4.2 缺失值处理要有原则

常见步骤是：

1. 先用函数检查缺失情况。
2. 过滤掉缺失严重的变量。
3. 对保留变量做多重插补。
4. 再进行基线表整理。

临床注释的目标不是“填满所有空值”，而是保留可解释、可建模的数据。 这一点对生存分析尤其重要。因为错误插补会直接影响Cox回归结果。

5.清洗表达矩阵并完成基因层面的注释

5.1 数据标准化前先做过滤

TCGA RNA-seq数据在差异分析前通常要做过滤和标准化。课程中提到，可以使用DESeq2的VST函数进行标准化处理，并结合PCA、密度图、核形图评估数据质量。

在基因过滤上，原则是去掉不表达或低表达基因。常见做法包括：

• 去除表达量为0的基因。
• 保留在至少一半样本中表达量大于0的基因。
• 保留中位数大于0的基因。

过滤的目的不是减少数据量，而是提高差异分析的敏感性和准确度。

5.2 基因ID转换不必过度复杂

课程知识库指出，改版后的TCGA数据库已经完成基因注释，很多情况下不需要再做复杂的基因ID转换。对于旧版或跨数据库整合场景，可以再根据GTF或GFF文件做转换。

如果你还要合并TCGA和GTEx，建议统一使用重新整理过的数据版本。这样能降低版本差异和批次效应带来的偏差。

6.把注释结果用于差异分析和预后建模

6.1 注释的价值体现在下游分析

TCGA数据注释做完后，真正的价值才开始体现。你可以据此完成：

• 肿瘤和正常样本分组。
• 病理分期分层。
• 生存结局提取。
• 差异表达分析。
• Cox回归和Lasso筛选。

课程中的肝癌案例给出了完整套路。先从TCGA和ICGC做差异分析，取交集后再和有氧呼吸相关基因交集，最终获得15个重叠基因，再进行单因素、多因素和外部验证。这类流程的前提，仍然是前面的注释足够准确。

6.2 外部验证同样依赖准确注释

如果你要用ICGC、GTEx或其他队列做验证，样本注释规则要尽量统一。否则，表面上是模型不稳定，实际上可能是分组标准不一致。

在预后模型里，TCGA数据注释还能帮助你区分临床因素和病理因素的影响。比如stage 3患者、T3分期患者或N x患者，往往更适合单独分层分析。这类分层能提高模型的临床解释力。

总结Conclusion

TCGA数据注释的关键，不是“把文件读进来”，而是把样本、临床和基因三层信息准确对应起来。只要按这6步执行。先认清目标。再下载metadata。再解析barcode。接着整理临床缺失值。然后清洗表达矩阵。最后把注释结果用于差异分析和建模。你就能显著降低出错率。

如果你希望更快完成TCGA数据注释、临床整理和下游分析，可以借助解螺旋的课程与工具体系，把复杂流程标准化。 这样既能提高复现效率，也能减少重复踩坑。