02 数据获取：从 GDC 拿到合规数据
选题确定之后，第一件事是把数据拿到本地。TCGA 数据托管在 GDC（Genomic Data Commons），有网页端和 API 两种获取方式。本章用 TCGAbiolinks 把 TCGA-LIHC 的 RNA-seq counts、突变 MAF 和临床数据全部下到本地，并整理成后续分析可以直接用的格式。
两种获取方式怎么选
| 方 式 | 适合 | 优势 | 劣势 |
|---|---|---|---|
| GDC Portal 网页 | 小规模探索、手动挑几个样本 | 可视化界面、不需要写代码 | 不可复现、批量操作麻烦 |
| TCGAbiolinks（R） | 批量下载、分析流程一体化 | 可复现、参数记录清楚 | 首次下载慢（几个 GB） |
| gdc-client（命令行） | 下载 controlled-access 数据、BAM | 直接、快 | 需要 token、手动整理 |
教学和发表项目一律用 TCGAbiolinks：代码即记录，下次跑同样的代码拿到同样的数据。
TCGAbiolinks 完整下载流程
安装
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install("TCGAbiolinks")
下载 RNA-seq counts
library(TCGAbiolinks)
library(SummarizedExperiment)
# 查询：TCGA-LIHC, RNA-seq, HTSeq raw counts
query_rna <- GDCquery(
project = "TCGA-LIHC",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification",
workflow.type = "STAR - Counts"
)
# 下载（约 2-3 GB，首次耗时 10-30 分钟）
GDCdownload(query_rna, method = "api", files.per.chunk = 10)
# 整理成 SummarizedExperiment
se_rna <- GDCprepare(query_rna)
se_rna
# 输出: class: RangedSummarizedExperiment
# dim: 60660 x 424
关键参数说明：
workflow.type = "STAR - Counts"：拿的是 STAR 比对 + HTSeq 计数的 raw counts（整数）。不要选 FPKM，差异分析工具（DESeq2）要求原始整数 countsfiles.per.chunk = 10：分 10 个文件一批下载，避免一次性请求太多被 GDC 拒绝GDCprepare()自动把几百个单样本文件合并成一个矩阵
下载体细胞突变 MAF
query_maf <- GDCquery(
project = "TCGA-LIHC",
data.category = "Simple Nucleotide Variation",
data.type = "Masked Somatic Mutation",
access = "open"
)
GDCdownload(query_maf)
maf_data <- GDCprepare(query_maf)
# 输出: data.frame，每行一个突变，标准 MAF 格式
nrow(maf_data)
# 约 30000-50000 行
Masked Somatic Mutation 是 GDC 公开的体细胞突变（已去掉可能泄露身份的胚系变异），open-access 不需要 dbGaP 权限。
下载临床数据
clinical <- GDCquery_clinic("TCGA-LIHC", type = "clinical")
dim(clinical)
# 约 377 行 x 70+ 列
head(clinical[, c("submitter_id", "vital_status", "days_to_death",
"days_to_last_follow_up", "ajcc_pathologic_stage",
"gender", "age_at_diagnosis")])
数据到手后先做的三件事
1. 确认样本类型
TCGA barcode 的第 14-15 位标识样本类型：
| 代码 | 含义 | 在 LIHC 里大约数量 |
|---|---|---|
01 | Primary Tumor | 371 |
11 | Solid Tissue Normal | 50 |
02 | Recurrent Tumor | 极少 |
06 | Metastatic | 0 |
# 提取样本类型
sample_types <- substr(colnames(se_rna), 14, 15)
table(sample_types)
# 01: 371 11: 50 ...
下游差异分析用 "01" vs "11"。如果你只想做肿瘤内的亚型比较（比如预后好 vs 预后差），只保留 "01"。
2. 去重复样本
同一个 patient 可能有多次采样（不同 aliquot）。保留策略：按 plate number 取最新的一个。
# TCGAbiolinks 自带去重
se_rna_unique <- se_rna[, !duplicated(substr(colnames(se_rna), 1, 12))]
3. 对齐临床表和表达矩阵
# 表达矩阵的 patient ID（前 12 位）
expr_patients <- substr(colnames(se_rna_unique), 1, 12)
# 临床表的 patient ID
clin_patients <- clinical$submitter_id
# 取交集
common <- intersect(expr_patients, clin_patients)
cat("有完整临床+表达数据的患者:", length(common), "\n")
临床变量整理
TCGA 原始临床表字段多且混乱。做生存分析只需要几列：
library(dplyr)
clin_clean <- clinical %>%
filter(submitter_id %in% common) %>%
transmute(
patient_id = submitter_id,
# OS: 总生存
OS = ifelse(vital_status == "Dead", 1, 0),
OS.time = ifelse(vital_status == "Dead",
days_to_death,
days_to_last_follow_up),
# 临床分期
stage = case_when(
grepl("Stage I$|Stage IA|Stage IB", ajcc_pathologic_stage) ~ "I",
grepl("Stage II", ajcc_pathologic_stage) ~ "II",
grepl("Stage III", ajcc_pathologic_stage) ~ "III",
grepl("Stage IV", ajcc_pathologic_stage) ~ "IV",
TRUE ~ NA_character_
),
gender = gender,
age = round(age_at_diagnosis / 365.25)
) %>%
filter(!is.na(OS.time), OS.time > 0)
cat("可用样本:", nrow(clin_clean), "\n")
summary(clin_clean$OS.time)
OS.time 的单位是天。后续做 KM 曲线时转成月（OS.time / 30）更直观。
保存成下游可用的格式
# 保存表达矩阵（raw counts）
saveRDS(se_rna_unique, "data/tcga_lihc_rnaseq.rds")
# 保存整理后的临床表
write.csv(clin_clean, "data/tcga_lihc_clinical.csv", row.names = FALSE)
# 保存 MAF
write.table(maf_data, "data/tcga_lihc_somatic.maf",
sep = "\t", quote = FALSE, row.names = FALSE)
后面所有章节都从这三个文件开始，不再重新下载。
常见坑
坑 1：GDC 下载超时或中断
国内直连 GDC 经常慢或断流。三种解法：
files.per.chunk = 5（更小的分批）- 挂梯子或用学校 VPN
- 凌晨下载（GDC 在北美白天负载高）
如果反复失败，用 gdc-client 命令行工具 + manifest 文件下载更稳。
坑 2：选了 FPKM 而不是 raw counts
workflow.type = "STAR - Counts" 拿 raw counts；另有 FPKM / FPKM-UQ 选项。DESeq2 / edgeR 要求 raw integer counts，FPKM 已经归一化过了不能用。如果论文里需要 TPM 值做可视化，可以后续自己从 counts 算。
坑 3：没注意 GDC data release 版本
GDC 定期更新数据（重跑 pipeline、修改注释）。同一段代码隔半年再跑，结果可能不同。在代码里注释 # Downloaded: GDC Data Release 39.0, 2026-05-19，方法段也写。
坑 4：把 tumor 和 normal 当成独立样本
TCGA-LIHC 的 50 个 normal 来自 50 个 tumor 患者（配对设计）。做差异分析时应该用 paired design（design = ~ patient + condition），而不是当成 371 vs 50 不配对。配对能大幅提高统计效力。
坑 5：临床数据缺失太多直接删
days_to_death 对存活患者是 NA（正常！用 days_to_last_follow_up 补）。ajcc_pathologic_stage 约有 20% NA。不要因为 stage 缺失就删样本 — 这些样本的表达和突变数据仍然有用，只是不能做分期相关的分析。
下一步
接着 深入：
- 03 数据探索：拿到新数据先看什么 — 数据到手了，先别急着跑差异，做一轮探索性分析
横向延伸：
- 公共数据库与数据检索 — 除 TCGA 之外的其他公开数据入口
- bulk RNA-seq 01 从数据到项目结构 — 项目目录和样本表的组织规范
参考资源
离线资料下载
手册 HTML / PDF 已在后台预生成，点击后直接下载网站静态资源。