geo 数据库与 tcga 数据库在肺癌研究中的数据获取与分析步骤

做肺癌研究的朋友们，是不是常纠结去哪找靠谱的数据？GEO 和 TCGA 这两个数据库肯定不陌生，但具体怎么精准拿到肺癌相关的数据，拿到后又该咋分析，估计不少人还是一头雾水。今天小编就手把手带大家走一遍流程，全是实战经验，新手也能跟着做，一起往下看吧！

先说说 GEO 数据库，肺癌数据咋拿到手？

GEO 里的数据虽然多，但想精准定位到肺癌的可不容易。小编通常是这么做的：
打开 GEO 官网（ncbi.nlm.nih.gov/geo），在搜索框里输 “lung cancer”，再加上 “homo sapiens” 限定人类样本，这样能筛掉一大半无关数据。点搜索后会出来一堆数据集，这时候别急着下载，先看标题里有没有 “non-small cell lung cancer”（非小细胞肺癌）或 “small cell lung cancer”（小细胞肺癌），根据自己的研究方向挑。
点进数据集后，先看 “Sample characteristics”，确认样本里有癌组织和正常组织的对照，样本量最好超过 50 例，太少了分析起来没意义。然后看 “Platform”，优先选 Affymetrix 或 Illumina 的芯片平台，后续分析工具支持度高。
下载数据时有两种方式：新手朋友直接点 “Series Matrix File (s)” 下矩阵文件，打开就能看到基因表达值；熟手用 R 语言的 GEOquery 包，代码一行 “getGEO (“GSEXXXX”)” 就能把数据导进环境，省得手动整理。
提醒一句，有位做肺腺癌研究的师兄分享过，他之前没注意数据集里包含了转移灶样本，结果分析时总出问题，后来重新筛选才搞定。所以大家下载前一定要把样本注释看仔细咯！

再看 TCGA 数据库，肺癌数据获取有啥不一样？

TCGA 里的肺癌数据分类特别细，分 LUAD（肺腺癌）、LUSC（肺鳞状细胞癌）等，找起来更精准。但它的官网入口换过好几次，现在主要通过 GDC Data Portal（portal.gdc.cancer.gov）获取。
步骤其实不复杂：先点 “Repository”，在 “Projects” 里选 “Lung Adenocarcinoma (LUAD)” 或 “Lung Squamous Cell Carcinoma (LUSC)”，然后在 “Data Category” 里勾上 “Transcriptome Profiling”（转录组数据）和 “Clinical”（临床数据），“Data Type” 选 “Gene Expression Quantification”。
选完后点 “Add All Files to Cart”，再到购物车下载 manifest 文件，用 GDC Data Transfer Tool 批量下载，速度比网页直接下快多了。临床数据记得下 “biospecimen” 和 “clinical” 两个文件，里面有患者的生存时间、分期等关键信息。
小编团队的师妹说，她第一次下 TCGA 数据时，没注意区分 “primary tumor” 和 “metastatic” 样本，把转移灶的数据混进去了，导致生存分析结果偏差很大，大家可别犯同样的错。

数据拿到手了，分析步骤该咋走？

不管是 GEO 还是 TCGA 的数据，拿到后都得先处理干净，不然分析结果没法看。小编给大家整理了通用步骤：

1. 数据预处理
   GEO 数据先用 limma 包做标准化（normalizeBetweenArrays），把不同芯片平台的数据拉到同一水平；TCGA 的 RNA-seq 数据要转换成 TPM 格式，用 DESeq2 包做标准化。这一步很关键，有位合作的医生就因为没做标准化，结果差异基因找错了，白费了好多功夫。
2. 差异基因分析
   用 limma 包分析 GEO 数据，TCGA 数据用 DESeq2 或 edgeR，设定阈值（|log2FC|>1，adj.P.Value<0.05），筛选出肺癌组织和正常组织里的差异表达基因。这时候可以画个火山图看看整体分布，用 ggplot2 包就能做，代码网上一搜一大堆。
3. 功能富集分析
   把差异基因导入 clusterProfiler 包，做 GO 和 KEGG 富集分析，看看这些基因主要参与哪些生物学过程，比如是不是富集在 “细胞凋亡”“肿瘤侵袭” 这些通路里。有经验的老师都知道，这一步能帮你缩小研究范围，找到关键机制。
4. 联合分析更靠谱
   单独用一个数据库的结果总觉得说服力不够，把 GEO 和 TCGA 的差异基因取交集，再做生存分析，这样结果更扎实。比如用 TCGA 的临床数据做 KM 曲线，看看某个基因高表达的患者是不是生存期更短，再到 GEO 的数据集里验证一下，文章的可信度立马上去了。

最后小编想说，做数据挖掘耐心特别重要，刚开始可能会觉得步骤繁琐，多练两次就顺了。GEO 和 TCGA 就像肺癌研究的两大宝藏，关键是要知道怎么挖、怎么用。要是中间遇到卡壳的地方，多看看论坛里的教程，或者问问实验室的师兄师姐，别自己硬扛着。希望今天的步骤能帮大家少走弯路，早点做出漂亮的结果！