数据挖掘专题

3、每个样本有两个file_id，其中第二个与465个文件夹中的一致：

4、file_name对应 file_id 文件夹下的表达数据文件：

5、此处的 submitter_id即为常见的TCGA样本名：

综上，基于 file_id、file_name、submitter_id 即可完成表达数据文件与样本名称的对应，例如之前下载的TCGA-COAD的miRNA数据，TCGA_GDC/COAD/miRNA/f457196a-04ef-46f4-addc-3c698208f4d4/ac35e037-f717-401d-8021-a8e3a7b0b368.mirbase21.mirnas.quantification.txt，我们来详细看下这个目录结构。

f457196a-04ef-46f4-addc-3c698208f4d4 即为Metadata中的 file_id，ac35e037-f717-401d-8021-a8e3a7b0b368.mirbase21.mirnas.quantification.txt即为Metadata中的 file_name，由此可通过json检索到其存储的样本对应的submitter_id 为 TCGA-AA-A00W-01A。

思路理清之后就可以开始进行数据整理了，可以提取每个样本的原始count值，或者RPM值，最终格式如下：

样本共计465列，其中样本名：

1、以 -11A 结尾的8列，无重复，且均有对应的 -01A 样本；

2、以 -01A 结尾的445列，有4个样本重复，去重后还有441列，重复的样本：TCGA-A6-6650-01A；TCGA-A6-6781-01A；TCGA-A6-6780-01A；TCGA-A6-5656-01A

3、剩下的12列中，02表示是复发肿瘤、06表示转移，01B表示重复样本：

其中3个样本 TCGA-AZ-4682-01B；TCGA-CK-4948-01B；TCGA-CK-4947-01B 无对应的 -01A 样本。

综上，case数为444个(441+3，可以理解为去重后-01A结尾样本的个数)，数据初步整理后与数据下载时显示的Files数和Cases数一致！

对于重复样本（同一个患者/case，多个肿瘤样本/file），以患者TCGA-A6-6650为例，共有3个重复，分属下载的3个文件，共有同一个case_id：

不同的file_name，相同的case_id：

所以，我们会看到在下载数据的时候，files数要大于cases数，这就解释了我们在 TCGA表达数据下载（一）中抛出的第一个问题！

目前对待重复样本，比较主流的方法是只保留一个：

所以在TCGA数据分析中，最常用的两类样本是 -01A 和 -11A 结尾的样本，分别代表肿瘤和正常样本，不同数字编码代表的意义，部分如下：

更多标识详见：https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/sample-type-codes

最终，我们将TCGA-COAD的miRNA表达数据整理成如下，1881个前体miRNA在449个样本中的表达值数据：

好像我们顺带又把 TCGA表达数据下载（一）中抛出的第四、五这两个问题解决了~

amateur_1988为好友，加入科研小助手官方微信群。申请加好友请备注姓名和单位。

amateur_1988为好友，加入科研小助手官方微信群。申请加好友请备注姓名和单位。返回搜狐，查看更多