TCGA数据库

1 TCGA Code Table1.1 Data LevelsLevel NumberDefinition1Raw data2Normalized data3Aggregated data4Regions of Interest data0No Level1.2 Portion / Analyte CodesCodeDe...

obwte

11261人浏览 · 2019-09-03 20:55:30

obwte · 2019-09-03 20:55:30 发布

1 TCGA Code Table

1.1 Data Levels

Level Number	Definition
1	Raw data
2	Normalized data
3	Aggregated data
4	Regions of Interest data
0	No Level

1.2 Portion / Analyte Codes

Code	Definition
D	DNA
G	Whole Genome Amplification (WGA) produced using GenomePlex (Rubicon) DNA
H	mirVana RNA (Allprep DNA) produced by hybrid protocol
R	RNA
T	Total RNA
W	Whole Genome Amplification (WGA) produced using Repli-G (Qiagen) DNA
X	Whole Genome Amplification (WGA) produced using Repli-G X (Qiagen) DNA (2nd Reaction)

1.3 Sample Type Codes

Code	Definition
01	Primary Solid Tumor（原发性实体肿瘤）
02	Recurrent Solid Tumor（复发性实体肿瘤）
03	Primary Blood Derived Cancer - Peripheral Blood（原发性血源性癌症 - 外周血）
04	Recurrent Blood Derived Cancer - Bone Marrow（复发性血源性癌症 - 骨髓）
05	Additional - New Primary
06	Metastatic（转移肿瘤）
07	Additional Metastatic
08	Human Tumor Original Cells（肿瘤原始细胞）
09	Primary Blood Derived Cancer - Bone Marrow（原发性血源性癌 - 骨髓）
10	Blood Derived Normal
11	Solid Tissue Normal（癌旁组织）

1.4 TCGA Study Abbreviations

Study Abbreviation	Study Name
LAML	Acute Myeloid Leukemia
ACC	Adrenocortical carcinoma
BLCA	Bladder Urothelial Carcinoma
LGG	Brain Lower Grade Glioma
BRCA	Breast invasive carcinoma
CESC	Cervical squamous cell carcinoma and endocervical adenocarcinoma
CHOL	Cholangiocarcinoma
LCML	Chronic Myelogenous Leukemia
COAD	Colon adenocarcinoma
CNTL	Controls
ESCA	Esophageal carcinoma
FPPP	FFPE Pilot Phase II
GBM	Glioblastoma multiforme
HNSC	Head and Neck squamous cell carcinoma
KICH	Kidney Chromophobe
KIRC	Kidney renal clear cell carcinoma
KIRP	Kidney renal papillary cell carcinoma
LIHC	Liver hepatocellular carcinoma
LUAD	Lung adenocarcinoma
LUSC	Lung squamous cell carcinoma
DLBC	Lymphoid Neoplasm Diffuse Large B-cell Lymphoma
MESO	Mesothelioma
MISC	Miscellaneous
OV	Ovarian serous cystadenocarcinoma
PAAD	Pancreatic adenocarcinoma
PCPG	Pheochromocytoma and Paraganglioma
PRAD	Prostate adenocarcinoma
READ	Rectum adenocarcinoma
SARC	Sarcoma
SKCM	Skin Cutaneous Melanoma
STAD	Stomach adenocarcinoma
TGCT	Testicular Germ Cell Tumors
THYM	Thymoma
THCA	Thyroid carcinoma
UCS	Uterine Carcinosarcoma
UCEC	Uterine Corpus Endometrial Carcinoma
UVM	Uveal Melanoma

01A：癌症组织
01B：福尔马林浸泡样品
02A：复发组织
06A：转移组织

一般只留下01A样品的肿瘤组织样品做差异表达和生存分析，并且对于重复样品，随机选取一个。

参考文章：

TCGA官网

2 表达信息VS临床信息

cases表示患者个数
files表示样品个数

TCGA数据库不是所有患者都有表达信息，有的患者只有临床信息而没有表达信息。如TCGA-LUAD数据集，RNA-seq-data中有515个cases，594个files。而clinical-data却有522个cases
在这里插入图片描述

3 TCGA样本命名详解

在TCGA中，一个患者可能会对应多个样本，如TCGA-A6-6650可以得到3个样本数据：

TCGA-A6-6650-01A-11R-1774-07
TCGA-A6-6650-01A-11R-A278-07
TCGA-A6-6650-01B-02R-A277-07

一般在做TCGA数据分析的时候样本名实际上只保留到前四个元素（以”-“分割），例如TCGA-A6-6650-01。所以实际上上示3个样本一般只保留一个。

TCGA-A6-6650-01A-11R-1774-07
TCGA	Project	所有TCGA样本名均以这个开头
A6	Tissue source site	组织来源编码，如A6就表示来源于Christiana Healthcare中心的结肠癌组织
6650	Participant	参与者编号
01	Sample	编号`01~09`为癌症组织，`10~19`表示正常对照
A	Vial	在一系列患者组织中的顺序，绝大多数样本该位置编码都是A; 很少数的是B，表示福尔马林固定石蜡包埋组织，已被证明用于测序分析的效果不佳，所以不建议使用-01B的样本数据
11	Portion	同属于一个患者组织的不同部分的顺序编号，同一组织会分割为100-120mg的部分，分别使用
R	Analyte	分析的分子类型，`对应RNA`
1774	Plate	在一系列96孔板中的顺序，值大表示制板越晚
07	Center	测序或鉴定中心编码

所以现在看这三个样本：
TCGA-A6-6650-01A-11R-1774-07
TCGA-A6-6650-01A-11R-A278-07
TCGA-A6-6650-01B-02R-A277-07
其区别就在于，前两个使用的是患者的冰冻组织做的测序，而第三个用的是福尔马林固定石蜡包埋组织；而前两个样本的区别在于同一组织后续使用了不同的96孔板。
理解了命名规则及三者命名上的主要区别后，现在可以重点解决如何从一个患者的多个样本中挑选样本的问题了，首先排除TCGA-A6-6650-01B-02R-A277-07，因为是-01B，福尔马林固定石蜡包埋组织！剩下的两个：

TCGA-A6-6650-01A-11R-1774-07
TCGA-A6-6650-01A-11R-A278-07

先看看GDAC firehose遇到这种情况怎么解决，总结起来就是：

对RNA数据来说，Analyte为R的优先级最该，其次是R和T，而对于DNA层面的分析来说，D的优先级最高。
如果Analyte相同，那就选择Portion和/或Plate值更大的。所以按照GDAC firehose的方法，最终保留TCGA-A6-6650-01A-11R-A278-07，因为其相对于TCGA-A6-6650-01A-11R-1774-07的板号(Plate)更晚。

然后是cBioPortal中的处理方式：