TCGA数据库病理切片及对应临床信息下载

1. TCGA病理切片介绍

1.1 病理切片类型：

• 病理切片类型可分为细胞病理，冷冻病理，术后病理：

  • 细胞病理：由细针穿刺等方式得到的细胞样本。
  • 冷冻病理: 是在手术过程中，从患者身上取下一小块组织，迅速冷冻后切片，进行快速显微镜检查。医生在手术室内评估结果，以帮助指导手术决策 (比如判断是否切除干净，确定淋巴结是否转移等)。
  • 术后组织病理：指手术切除的整个组织或器官（或其中一部分）经过固定、取材、包埋、切片、染色等一系列处理后，进行详细的显微镜检查。

• TCGA数据库包含两种病理切片：

  • Tissue slides是快速冰冻病理切片。
    • 快速冷冻样本通常在冷冻实验室的手术过程中产生，以帮助外科医生确定肿瘤的边界是否干净（即肿瘤是否已被完全切除）；
    • TCGA下载数据时，Data Type选择Slide Image，Experimental Strategy选择Tissue slide
    • 切片文件名中带有“TS#”或“BS#”的文件（其中 # 是整数），是冻结的幻灯片；
  • Diagnostic slides是福尔马林固定石蜡包埋玻片（FFPE），是金标准；
    • TCGA下载数据时，Data Type选择Slide Image，Experimental Strategy选择Diagnostic slide；
    • 切片文件名中带有“DX#”的文件（其中 # 是整数），是一个 FFPE 幻灯片；
    • 更适合计算，因此一般下载diagnostic slides；

1.2 病理切片格式：

• svs，tiff，ndpi和mrxs等

1.3 病理切片可视化：

• 本地软件：qupath，ImageScope

• Python包：openslide

• 网页：https://openslide.org/demo/ （svs在线查看器）

  
  

2. 病理切片下载

Step1：在windows电脑下载gdc-client工具。

​ 参考：TCGA之GDC-client工具下载安装与使用_gdc-client安装-CSDN博客

Step2：在网页https://portal.gdc.cancer.gov/上下载对应数据集的gdc_manifest.2025-02-28.173510.txt文件（以TCGA-THCA为例）。

​ 参考：TCGA 数据库下载肿瘤样本病理切片FFPE（福尔马林固定石蜡包埋）_tcga病理切片数据-CSDN博客

Step3：本地通过gdc-client工具下载切片。

• win+R， 输入cmd，回车
• gdc-client download -m D:\data_download\TCGA-THCA\gdc_manifest_update.txt -d D:\data_download\TCGA-THCA\Slide

Ps：下载完毕后，Slide目录下会出现很多子目录，一个子目录为一张切片的相关信息

Step4：数据整理及完整性Check

• 本地下载完毕后，可将Slide目录下的所有文件直接上传至服务器中进行分析，目录结构参考如下：

• 数据整理

# 将下载的所有文件直接上传至slide目录下的raw文件
# 第一步： 将所有svs或者svs.parss文件移动至slide目录下
find raw -type f \( -name "*.svs" -o -name "*.svs.partial" \) -exec mv -t . {} +

# 删除当前目录下文件大小为0的文件
find . -type f -size 0 -delete

# 修改文件名，TCGA中有些切片下载完毕后依然保持为.svs.partial的尾缀名，因此直接将名字替换为.svs结尾
rename 's/\.svs.partial$/\.svs/' *.svs.partial

• 考虑到病理切片较大，在本地下载可能由于内存等问题中断，因此可以通过下述代码更新gdc_manifest.2025-02-28.173510.txt文件，进而重新下载
• 按照下面的代码得到更新后的gdc_manifest_dpdate.txt, 重新执行Step1-Step4，确保数据完全下载。

import numpy as np
import pandas as pd
import os
from datetime import datetime

dirs = "/data/hanli/database/TCGA/TCGA-THCA/"
gdc_file = dirs + "gdc_manifest.2025-02-28.173510.txt"

df_all = pd.read_csv(gdc_file,sep="\t")
print("需要下载的slide数量为：",df_all.shape[0])
df_all.head(3)

download_list = os.listdir(dirs+"/slide/")
print("已下载的slide数量为：",len(download_list))

df_rest = df_all[~df_all["filename"].isin(download_list)]
print("未下载的slide数量为：",df_rest.shape[0])

# 获取当前时间
now = datetime.now()
# 格式化为月、日、小时、分钟
formatted_time = now.strftime("%Y-%m-%d.%H%M")
print("当前时间（月-日 小时:分钟）：", formatted_time)

outfile = dirs + 'gdc_manifest_update_' +formatted_time +'.txt'
print(outfile)
df_rest.to_csv(outfile, sep='\t', index=False, header=True)

3. 临床信息下载

在网站https://www.cbioportal.org/datasets可下载TCGA数据集对应的临床信息。以TCGA-THCA为例，输入甲状腺，定位含有TCGA的数据集，选择样本最多的数据集进入，即可下载临床数据为表格文件。