TCGA数据库筛选逻辑
TCGA数据库筛选逻辑
目录
为什么第一个筛选范围是从Experimental Strategy这里开始，而不是大家所熟知的，更加清晰的数据类别 Data Type（数据类型）开始？
为什么从 Experimental Strategy（实验策略）开始？
第一次接触生信领域，TCGA数据库是个非常好的研究数据平台，最近为了准备ppt给老师汇报，要好好地了解一下TCGA的筛选逻辑策略，每一个筛选条目是什么，整理了一下，想了解的同学们可以了解一下看看有没有帮助！以下类别筛选是以选中肺部数据为前提。
1.Experimental Strategy（实验策略）
- ATAC-Seq（Assay for Transposase-Accessible Chromatin using sequencing）：用于检测染色质可及性，研究基因调控。
- Diagnostic Slide（诊断切片）：组织学切片影像数据，可用于病理分析。
- Expression Array（表达芯片）：基因表达分析技术。
- Genotyping Array（基因分型芯片）：用于检测DNA变异，如SNPs。
- Methylation Array（甲基化芯片）：检测DNA甲基化水平。
- miRNA-Seq（microRNA测序）：检测miRNA的表达情况。
- Reverse Phase Protein Array（RPPA）：基于抗体检测蛋白表达水平。
- RNA-Seq（RNA测序）：用于研究转录组数据，分析基因表达情况。
- Targeted Sequencing（靶向测序）：针对特定基因或基因组区域进行测序。
- Tissue Slide（组织切片）：病理组织影像数据。
- WGS（Whole Genome Sequencing，全基因组测序）：测序整个基因组。
- WXS（Whole Exome Sequencing，全外显子组测序）：仅测序外显子区域（编码区）
2. WGS Coverage（全基因组测序覆盖度）
用于WGS数据，表示测序深度（coverage），即一个碱基被测序的平均次数：
- 0x-10x：覆盖度较低，可能适用于群体研究。
- 10x-25x：中等覆盖度，适用于较大样本量的基因变异分析。
- 25x-150x：高覆盖度，更适合精确突变检测和个体层面的分析。
- not applicable：不适用于非WGS数据。
- unknown：未知覆盖度.
3. Data Category（数据类别）
表示数据的大类：
- Biospecimen（生物样本）：关于组织样本的信息，如组织类型、采集方式等。
- Clinical（临床数据）：患者的临床信息，如年龄、性别、病理分期等。
- Copy Number Variation（拷贝数变异）：基因组中DNA片段的拷贝数增减情况。
- DNA Methylation（DNA甲基化）：DNA甲基化修饰信息。
- Proteome Profiling（蛋白组学分析）：蛋白表达信息。
- Sequencing Reads（测序读段）：原始测序数据。
- Simple Nucleotide Variation（单核苷酸变异）：SNPs或小Indels变异信息。
- Somatic Structural Variation（体细胞结构变异）：体细胞中的大规模结构变异。
- Structural Variation（结构变异）：包括体细胞和生殖细胞的结构变异。
- Transcriptome Profiling（转录组分析）：RNA表达相关数据。
| 数据类别 | 主要研究方向 | 数据内容 | 对应的实验策略（Experimental Strategy） |
|---|
| Biospecimen（生物样本数据） | 样本信息，如组织来源、处理方式 | 组织采样信息、生物样本信息 | N/A（非测序数据） |
| Clinical（临床数据） | 患者基本信息、诊断信息、预后等 | 诊断数据、治疗方案、生存情况 | N/A（非测序数据） |
| Copy Number Variation（拷贝数变异） | DNA 片段的扩增或缺失 | CNV 片段、拷贝数值 | Genotyping Array, WGS, WXS |
| DNA Methylation（DNA 甲基化） | 表观遗传修饰，影响基因表达 | CpG 位点甲基化值 | Methylation Array |
| Proteome Profiling（蛋白质组数据） | 蛋白表达水平 | 蛋白表达定量数据 | Reverse Phase Protein Array |
| Sequencing Reads（测序原始数据） | 原始测序数据 | FASTQ/BAM 文件 | RNA-Seq, WGS, WXS |
| Simple Nucleotide Variation（单核苷酸变异） | 基因突变（SNP、Indel） | 突变数据（VCF） | WGS, WXS, Targeted Sequencing |
| Somatic Structural Variation（体细胞结构变异） | 染色体重排、大片段插入缺失 | 结构变异（SV）数据 | WGS |
| Structural Variation（结构变异） | 体细胞 + 生殖系结构变异 | 结构变异数据（VCF） | WGS |
| Transcriptome Profiling（转录组数据） | 基因表达、可变剪切、miRNA 表达 | 基因表达定量（FPKM, TPM） | RNA-Seq, miRNA-Seq |
4. Data Type（数据类型）
数据类型是更具体的数据分类，例如：
- Aggregated Somatic Mutation（聚合的体细胞突变数据）：来自多个研究汇总的突变信息。
- Aligned Reads（比对后的测序数据）：经过比对的BAM格式数据。
- Allele-specific Copy Number Segment（等位基因特异性拷贝数片段）：拷贝数变异分析的结果。
- Annotated Somatic Mutation（注释的体细胞突变）：含详细注释的突变数据。
- Biospecimen Supplement（生物样本补充数据）：关于生物样本的额外信息。
- Clinical Supplement（临床补充数据）：患者的额外临床信息。
- Copy Number Segment（拷贝数片段）：拷贝数变化信息。
- Gene Expression Quantification（基因表达定量数据）：RNA-Seq等数据的表达量。
- Methylation Beta Value（甲基化Beta值）：DNA甲基化数据。
- miRNA Expression Quantification（miRNA表达定量数据）：miRNA表达信息。
- Pathology Report（病理报告）：组织学分析的结果。
- Protein Expression Quantification（蛋白表达定量数据）：蛋白组数据。
- Raw Intensities（原始信号强度）：芯片数据的原始读数。
5. Data Format（数据格式）
存储数据的格式：
- bam：二进制对齐/映射格式
- bcr biotab：TCGA生物样本格式
- bcr omf xml：TCGA组织病理数据
- bcr pps xml：TCGA病理数据
- bcr ssf xml：TCGA患者随访数据
- bcr xml：TCGA整体数据存储格式
6. Workflow Type（数据处理流程）
表示数据的分析处理流程：
- ABSOLUTE LiftOver：基因拷贝数分析
- Aliquot Ensemble Somatic Variant Merging and Masking：体细胞突变合并和屏蔽
- Arriba：RNA融合分析工具
- ASCAT2/ASCAT3/AscatNGS：拷贝数变异分析工具
7. Platform（平台）
表示数据生成的平台，如Illumina、Affymetrix等。
8. Access（访问权限）
- Open Access：开放访问
- Controlled Access：受控访问（需要权限）
9. Tissue Type（组织类型）
- Primary Tumor：原发肿瘤
- Metastatic：转移瘤
- Normal Tissue：正常组织
10. Tumor Descriptor（肿瘤描述）
表示肿瘤的特征，如：
- Primary：原发肿瘤
- Recurrent：复发肿瘤
- Metastatic：转移性肿瘤
11. Specimen Type（标本类型）
- Fresh Tissue：新鲜组织
- FFPE（Formalin-Fixed Paraffin-Embedded）：福尔马林固定石蜡包埋组织
12. Preservation Method（保存方式）
- Frozen：冷冻
- FFPE：石蜡包埋
为什么第一个筛选范围是从Experimental Strategy这里开始，而不是大家所熟知的，更加清晰的数据类别 Data Type（数据类型）开始？
这是因为 TCGA 数据库的筛选逻辑是基于数据生成过程的逻辑，而不是最终的数据存储结构。换句话说，TCGA 选择 Experimental Strategy（实验策略） 作为首要筛选项，是因为它决定了数据的来源和性质，而 Data Type（数据类型） 是实验数据进一步处理后的结果。
为什么从 Experimental Strategy（实验策略）开始？
-
实验策略决定了数据的本质，不同的实验策略会生成完全不同类型的数据。例如：
- RNA-Seq → 生成转录组数据（用于基因表达分析）
- WGS/WXS → 生成基因组变异数据（如 SNPs、CNVs）
- miRNA-Seq → 生成小RNA数据（miRNA 表达分析）
- ATAC-Seq → 研究染色质可及性
这些策略决定了数据的类型，而 Data Type 只是实验数据处理后的不同输出方式。
-
不同实验策略的数据存储格式、分析方法不同
例如，RNA-Seq 主要涉及 FPKM/TPM 格式的基因表达数据，而 WGS 主要涉及 BAM/SAM 格式的测序比对数据。如果直接从 Data Type（数据类型） 开始筛选，可能会导致不同实验策略的数据混杂在一起，不利于理解数据的来源和用途。 -
实验策略直接对应不同的研究需求
研究者通常从“想研究什么问题”出发：- 研究基因突变？选择 WGS / WXS
- 研究基因表达？选择 RNA-Seq
- 研究 DNA 甲基化？选择 Methylation Array
- 研究染色质开放性？选择 ATAC-Seq
这样，从实验策略出发，可以让研究者快速筛选适合自己研究需求的数据，而不是陷入各种数据类型的复杂选择中。
-
Data Type 是一个后续的“派生”分类
比如：- RNA-Seq 产生的 Gene Expression Quantification（基因表达定量）
- WGS 产生的 Simple Somatic Mutation（体细胞突变）
如果直接从 Data Type 开始筛选，可能会让研究者不清楚这些数据是如何生成的
我觉得一个直观的例子是 ，如果我们想研究基因突变，若从data category开始筛选，也许experimental strategy会包括了WGS、WXS两个实验方法，而事实上
WGS（全基因组测序）和 WXS（外显子组测序）的变异数据不等价
- WGS 检测的是 全基因组范围的变异（SNP、SV、CNV 等），包括编码区和非编码区。
- WXS 只检测 外显子区域的变异，无法发现调控区域的突变。
- 如果研究者误以为 WXS 能提供完整的基因组变异数据，可能会遗漏重要的非编码区突变。
或者说，如果我们想要研究最终的一个具体的特征是RNA转录水平，那么如果从data category开始选择，我们要选择的应该是transcriptome profiling，但这时候我们会发现experimental strategy留下了三个选项，也就是这三个实验方法都会生成data category是transcriptome profiling的数据，
而RNA-Seq 的基因表达数据 ≠ 基因芯片（Expression Array）的数据
- RNA-Seq 生成的是 TPM/FPKM/RPKM，数据是基于测序深度计算的。
- Expression Array 生成的是 荧光强度数据，本质是探针检测的信号。
- 如果混合使用 RNA-Seq 和 Expression Array 的基因表达数据，不经过标准化，可能会产生伪结果。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
40
0- 0
已为社区贡献1条内容
所有评论(0)