TCGA样本数据筛选：5个严谨要点

引言Introduction

TCGA样本数据筛选做不好，后续差异分析、分型和预后模型都会被批次效应、样本类型错误和低质量数据拉偏。对医学生、医生和科研人员来说，真正难点不是“下载数据”，而是先把样本筛干净 。

1.TCGA样本数据筛选的第一步，是先看Metadata和barcode

1.1 Metadata决定你能不能准确匹配样本

TCGA下载页面里的Metadata，通常以JSON格式导出。它包含样本名称、样本ID、组织类型等关键信息。原始数据文件名并不等于样本ID ，如果不先做对应关系整理，后面很容易把表达矩阵和临床信息接错。

实际操作中，建议先用Metadata提取文件名和sample ID的对应关系，再结合manifest文件整理样本注释。这样做的价值很直接，能把“文件属于谁”这件事先定下来，避免后续分析建立在错误样本上。

1.2 barcode是样本分组的核心依据

TCGA barcode是每个样本的唯一识别码，编码结构固定，信息非常丰富。其中第14、15位字符最关键。01代表原发实体肿瘤，11代表实体正常组织 。在TCGA样本数据筛选中，这两位字符常被直接用于判定肿瘤组和正常组。

例如，在RNA测序数据里，常见的组织类型编码包括01、02、03、05、06、07和11。只有11是正常组织，其余多为肿瘤相关样本 。因此，做差异分析前，先用barcode提取分组信息，是最基础也最重要的一步。

2.TCGA样本数据筛选的第二步，是识别并处理批次效应

2.1 不能只看分组，还要看TSS、plate和center

很多人做TCGA样本数据筛选，只关注肿瘤和正常，却忽略了批次信息。实际上，TCGA barcode里还能读出TSS、plate和center。它们分别反映来源中心、测序板和分析中心，都会带来批次效应。

课程内容强调，批次效应至少有两类常见来源，TSS编码和测序板信息 。如果不同样本来自不同中心，或在不同板上处理，表达差异可能部分来自技术偏差，而不是生物学差异。

2.2 合并GTEx和TCGA时，批次问题更要谨慎

如果TCGA样本不足，很多研究会把GTEx正常样本合并进来。这个思路本身合理，但前提是要使用统一重新分析的数据。不建议把两个数据库各自下载后直接拼接表达矩阵 ，因为处理流程不同，技术差异会被放大。

更稳妥的做法，是从UCSC等统一重计算平台获取数据，再进行合并。合并后仍可能存在批次效应，可结合RUVSeq或SVA处理。对TCGA样本数据筛选来说，这一步不是“附加项”，而是决定结果是否可信的关键控制点。

3.TCGA样本数据筛选的第三步，是严格核查样本注释

3.1 annotation表比表面分组更重要

TCGA官网的annotation信息，不能只看样本名，还要看病例注释。因为有些样本虽然来源于某个器官，但病理诊断可能并不属于你研究的疾病类型。这类样本如果不剔除，会直接污染研究队列 。

课程中提到肝癌数据的例子。某些样本在肝脏来源上看似符合，但病理上实际可能是胆管癌。若你研究的是LIHC，这类样本应剔除；若研究CHOL，则可能应保留。样本来源不等于疾病归属 ，这是TCGA样本数据筛选里最容易忽视的误区。

3.2 先筛注释，再筛表达矩阵

实操顺序建议是先读注释表，再回到表达矩阵筛样本。可以先下载TCGA pan-cancer相关的样本质量注释文件，逐个检查是否存在不适合纳入分析的条目。对于有明确说明的样本，优先按注释处理；对没有注释的样本，再结合barcode和临床信息判断。

样本筛选不是简单删几列，而是建立研究队列的过程。 这一步做得越严谨，后面差异分析的解释力越强，审稿时也越容易通过质疑。

4.TCGA样本数据筛选的第四步，是只保留适合统计分析的样本

4.1 肿瘤和正常分组要明确

在TCGA RNA-seq数据中，最常用的分组逻辑就是第14、15位字符。课程中明确提到，做差异分析时通常提取01和11样本。01为肿瘤，11为正常 ，这是最清晰、最可复用的分组方式。

如果你的研究是配对设计，还要进一步检查是否同一患者同时拥有肿瘤和正常组织。课程提到，可以按patient ID统计，筛出同时具备01和11样本的病例。这样得到的配对样本，统计解释更强，也更适合配对差异分析。

4.2 过滤掉不合适的样本数量，宁可少一点，也不要混一点

课程案例中，对肝癌样本进行了样本质量过滤，最终剔除了一批不合适样本。这个做法体现了一个原则：宁可样本少，也不要把错误样本混进来 。因为错误样本带来的偏差，往往比样本量减少造成的统计损失更严重。

对医学生和科研人员来说，队列构建的底线是，样本归属明确、分组逻辑一致、注释信息完整。如果这三点做不到，后续的火山图、热图和通路富集都可能失真。

5.TCGA样本数据筛选的第五步，是做基因层面的过滤

5.1 先去掉不表达和低表达基因

样本筛完之后，还要做基因过滤。RNA-seq差异分析前，通常要去掉全为0或低表达基因。过滤低表达基因的目的，是提高差异分析的敏感性和准确度 。这一步看似简单，但对结果稳定性影响很大。

课程中给出多个常用策略。最基本的是去除表达量全为0的基因。更进一步，可以保留至少一半样本中表达量大于0的基因，或者保留中位数大于0的基因。没有统一最优标准，应该结合样本量和分组设计判断。

5.2 平均值过滤要谨慎

有些人会用平均值做过滤，但要注意，平均值可能掩盖组间极端差异。比如某个基因在一组完全不表达，在另一组高表达，平均值有时会把它误删。因此，平均值过滤要设得更保守，不能一刀切。

如果你分析的是TCGA样本数据筛选后的表达矩阵，建议优先采用“是否表达”“中位数是否大于0”“至少多少比例样本表达”这类更稳健的规则。这样更符合差异分析的统计逻辑。

6.把筛选流程做成标准化步骤，才适合长期复用

6.1 一个更稳妥的TCGA样本数据筛选顺序

如果你想把流程固定下来，可以按下面顺序执行：

1. 下载Metadata和manifest，建立文件名与样本ID对应关系。
2. 读取barcode，提取组织类型和样本分组。
3. 核查annotation，剔除病理归类不一致样本。
4. 检查TSS、plate、center等批次信息。
5. 过滤掉低质量样本和不适合纳入分析的样本。
6. 再进行基因过滤，保留适合差异分析的表达矩阵。

这个顺序的优势是清晰、可追溯，也方便后续在R或其他生信流程中复现。

6.2 对科研结果最有帮助的，不是样本最多，而是样本最干净

很多项目失败，不是因为数据太少，而是因为筛选不严。TCGA样本数据筛选做得好，后续无论是差异表达、分型分析，还是预后模型，都更容易得到稳定结果。真正可靠的分析，往往始于严格的样本清洗。

如果你希望把TCGA样本数据筛选、GTEx合并、ID转换和过滤流程一次性规范化，借助解螺旋的标准化课程和数据处理思路，会比零散试错更高效，也更适合科研项目落地。

总结Conclusion

TCGA样本数据筛选的核心，不是简单删样本，而是围绕Metadata、barcode、annotation、批次效应和基因过滤，建立一套可复现的标准流程。只要这5个要点处理到位，后续差异分析的可信度会明显提高。
如果你正在做TCGA相关研究，建议把样本筛选当作正式方法学步骤来写。 这样不仅更严谨，也更符合E-E-A-T要求。需要更系统的TCGA处理方案时，可以进一步参考解螺旋的标准化生信课程与工具，减少试错，提高分析效率。