通過GDC Legacy Archive下載TCGA原始數據
- 2019 年 12 月 19 日
- 筆記
在2016年之前，TCGA項目的相關結果文件存放在CGhub和TCGA Data Coordinating Center簡稱DCC提供的TCGA Data Portal中，當時的結果是以hg19或者hg18為參考得到的。
在DCC中，將數據劃分為了3個等級。level 1代筆原始的，未經處理的數據的，比如晶片下機數據；level2 代表處理的中間結果，比如測序深度對應的wig文件；level 3 代表處理完成後的最終結果，比如基因的定量結果。
2016年之後，CGhub和DCC相繼關閉，所有的數據統一遷移到現在用的GDC資料庫，而且通過GDC的pipeline將原有的結果轉換為hg38參考基因組版本。目前在GDC中檢索到的結果都是經過了GDC pipeline處理過後的，從這裡也可以看出，遷移到hg38是一個大的趨勢。
當然目前使用hg19的還是挺多的，如果你需要基於hg19版本的TCGA數據，在GDC中也可以找到。其實GDC中的數據可以分為以下兩個部分
- GDC harmonized data
- GDC legacy archive
在R包TCGAbiolinks中，介紹了二者的區別，如下圖所示
第一部分就是默認使用的基於hg38版本的數據，第二部分則是對原始的TCGA結果的一個存儲，通過GDC首頁的GDC APPs, 可以找到CDC Legacy Archive的入口，鏈接如下
https://portal.gdc.cancer.gov/legacy-archive
在左側的面板可以根據相關屬性對Cases和Files進行篩選，Cases相關的屬性如下
Files相關的屬性如下
數據的下載方式和前面文章中介紹的相同，這裡不贅述，從文件名稱可以看到對應的level, 不同level的文件示意如下
1. level1
通過Data Type為Raw intensitites進行篩選，得到晶片的原始數據, 示意如下
2. level2
通過Data Type為Coverage WIG進行篩選，得到比對的測序深度數據, 示意如下
3. level3
通過Data Type為miRNA gene quantification進行篩選，得到miRNA表達定量數據, 示意如下
通過GDC Legacy Archive， 可以找到基於hg19的數據結果文件，但是由於相關的網站已經關閉，無法確認該數據分析的pipieline等細節資訊，所以需要謹慎使用。
