数据源报告

TCGA 数据源报告

The Cancer Genome Atlas · 33 个项目 · 官方入口 GDC Data Portal

一、数据源概览

The Cancer Genome Atlas（TCGA）是由美国国家癌症研究所（NCI）和 National Human Genome Research Institute（NHGRI）共同支持的大型癌症分子图谱计划。TCGA 以癌种或组织部位划分项目，汇集临床、biospecimen、病理图像、DNA/RNA 测序、突变、拷贝数、甲基化、转录组、蛋白组和结构变异等数据。

当前 TCGA 数据主要通过 NCI Genomic Data Commons（GDC）项目页面和 API 分发，也可通过 cBioPortal PanCancer Atlas 等下游分析平台访问处理后的分子 profile。GDC 项目级数据包含 33 个 TCGA 癌种/疾病项目报告，覆盖白血病、脑胶质瘤、乳腺癌、肺癌、肾癌、肝癌、消化系统肿瘤、妇科肿瘤、肉瘤和黑色素瘤等范围。

TCGA 的主要定位是癌症多组学和临床病理研究数据源。部分项目包含 SVS 格式数字病理切片，可支持计算病理研究；项目级数据通常没有统一的视觉任务标签、固定 train/validation/test 划分或官方 CPath benchmark 协议。

二、来源与开放状态

GDC 公开项目页面、病例分面、样本 metadata、文件清单和部分开放文件可直接访问。controlled access 文件通常需要 dbGaP 相关授权、GDC 账号或数据传输工具配置。cBioPortal 的 analysis-ready profile 适合快速探索和下游建模，原始或项目级文件应回到 GDC 核对来源和访问状态。

三、项目组成与规模

本报告覆盖 33 个 TCGA 项目。下表列出当前 GDC 项目报告中的代表性病例规模、主要组织范围和病理图像信息；病例数和 Slide Image 数量来自不同 GDC 聚合口径，使用时应记录查询时间。

表中「合计」行为 33 个 TCGA 项目子报告同类数量（病例规模、Slide Image 数）的直接加总：病例合计 11,428、Slide Image 合计 30,326。该合计为 GDC 当前 release 口径的项目级求和，不等于去重后的唯一患者/切片数（同一项目内病例与切片为多对多，跨项目不重叠），也与论文冻结队列数量不同。

不同项目的 GDC 文件总量从数千到数万不等。GDC 项目文件数量、病例数量和论文冻结队列数量经常存在差异：项目统计反映当前 release，论文数字反映特定研究设计和数据冻结版本，二者需要分别引用。

四、癌种与临床病理范围

4.1 主要癌种分组

• 血液和淋巴系统：TCGA-LAML、TCGA-DLBC。
• 中枢神经系统：TCGA-GBM、TCGA-LGG。
• 乳腺：TCGA-BRCA。
• 肺和胸膜：TCGA-LUAD、TCGA-LUSC、TCGA-MESO。
• 肾脏和泌尿系统：TCGA-KICH、TCGA-KIRC、TCGA-KIRP、TCGA-BLCA。
• 消化系统：TCGA-CHOL、TCGA-COAD、TCGA-READ、TCGA-ESCA、TCGA-STAD、TCGA-LIHC、TCGA-PAAD。
• 妇科和女性生殖系统：TCGA-CESC、TCGA-OV、TCGA-UCS、TCGA-UCEC。
• 头颈部：TCGA-HNSC。
• 男性生殖系统：TCGA-PRAD、TCGA-TGCT。
• 皮肤和眼部：TCGA-SKCM、TCGA-UVM。
• 内分泌、神经内分泌和间叶组织：TCGA-ACC、TCGA-PCPG、TCGA-THCA、TCGA-THYM、TCGA-SARC。

4.2 分子和病理亚型

TCGA 项目论文和 GDC metadata 支持多种疾病特异性分类。例如：乳腺癌常见分子亚型、胃癌 EBV/MSI/GS/CIN 分型、子宫内膜癌 POLE/MSI/copy-number 分型、肾乳头状细胞癌 Type 1/Type 2、皮肤黑色素瘤 BRAF/RAS/NF1/Triple-WT 分型、软组织肉瘤 DDLPS/LMS/UPS/MFS/MPNST/SS 亚型，以及结直肠和食管癌的病理与分子类别。

这些分类来自不同论文、数据冻结版本和分析流程。跨项目合并时应保留原始 diagnosis、disease type、histological type、molecular subtype 和 publication cohort 字段，建立单独的标准化映射表。

五、数据模态与图像结构

5.1 数字病理图像

多数 TCGA 项目包含 GDC Slide Image 文件，常见格式为 .svs，包括 Tissue Slide 和 Diagnostic Slide。病理切片主要来自 H&E 染色的组织学复核；部分项目论文还说明了病理专家复核、肿瘤细胞比例、坏死比例、样本质量和组织处理流程。

存在明显例外：TCGA-LAML 当前 GDC 文件清单确认无 Slide Image（0 个）。对于其他项目，是否存在图像、图像数量、可访问状态和文件格式应以当前 GDC manifest 为准。GDC Slide Image 的存在也不代表已有像素级 mask、细胞级标注或统一的病理任务标签。

5.2 基因组、转录组和表观组

常见数据对象包括：

• WGS、WXS/WES 和 RNA-Seq。
• miRNA-Seq、基因表达矩阵和转录本数据。
• 体细胞突变、拷贝数变异、结构变异和融合。
• DNA methylation、SNP array 和其他表观遗传对象。
• RPPA 蛋白表达，少数项目还提供 ATAC-Seq 或其他分子层数据。
• clinical、biospecimen、pathology report、follow-up 和 sample metadata。

原始测序数据、BAM/FASTQ 等文件常有 controlled access；处理后的矩阵、临床分面、部分突变和图像文件可能公开。研究者应根据 data category、data type、access、experimental strategy 和 file format 逐项筛选。

5.3 空间组学

33 个项目的报告均未确认 TCGA 33 个项目形成统一的 Visium、Xenium、MERFISH、GeoMx 或其他空间转录组交付体系，也没有确认统一的 ST spot/bin 分辨率。TCGA 的病理 WSI 可作为组织形态数据使用，但 WSI 像素坐标与空间转录组 spot/cell 坐标具有不同的数据语义。

六、临床、样本和分类 metadata

GDC 的常见 metadata 层级包括：

• case：参与者或病例级身份及临床关联。
• sample：肿瘤、正常、复发、转移和其他样本类型。
• portion、analyte：样本处理和分子实验层级。
• file：文件名、格式、数据类别、实验策略、访问级别和实体 ID。
• diagnoses：primary diagnosis、disease type、tumor stage、tumor grade 和组织部位。
• demographic：age、gender、race、ethnicity、vital status 等。

项目报告还记录了多种病例级和论文级分类字段，例如 AJCC stage、WHO grade、histological type、molecular subtype、tumor/normal 状态、肿瘤细胞比例、坏死比例、RIN 和样本质量标记。字段覆盖率、编码大小写、缺失值和时间点因项目而异。

推荐将 GDC 原始 metadata、论文定义的 cohort 变量和 cBioPortal analysis-ready profile 分开保存。cBioPortal 适合快速读取 mutation、CNA、mRNA、methylation、RPPA、clinical 和 case list；它的样本范围可能小于当前 GDC 项目全量病例。

七、质量控制与数据处理建议

TCGA 项目论文通常描述样本筛选、病理复核、肿瘤细胞比例、坏死比例、RNA 质量、测序深度、平台批次和多组学数据冻结条件。不同项目的 QC 规则并不统一，GDC 文件清单也无法替代图像和矩阵级质量检查。

建议执行以下流程：

1. 固定 GDC 项目 ID、API 查询时间、data release 和 manifest。
2. 按 case、sample、portion、analyte、file 建立关联索引。
3. 过滤并记录文件 access level、data category、data type、experimental strategy 和格式。
4. 对 SVS 图像检查金字塔层级、像素尺寸、组织覆盖、空白、失焦、折叠、扫描伪影和重复切片。
5. 对测序和组学数据检查参考版本、批次、缺失值、覆盖度、表达矩阵版本、样本配对和分子 profile 来源。
6. 对临床字段检查年龄、性别、分期、分级、诊断、肿瘤/正常标记和缺失编码。
7. 以 case 或 sample 为单位切分数据，避免同一病例的 WSI、patch、组学文件或重复样本跨分区泄漏。
8. 记录论文冻结队列与 GDC 当前项目队列的差异，不用论文病例数替代当前下载文件的真实规模。

八、人口统计与代表性

TCGA 覆盖多个癌种和研究中心，但病例构成由各癌种项目的入组、组织获取和实验设计决定。年龄、性别、种族、族裔、临床阶段和样本类型的覆盖度因项目变化明显。部分项目存在特定性别或年龄结构，例如前列腺、睾丸、卵巢、乳腺和子宫项目具有明确的疾病相关人群特征；LAML、DLBC 等血液肿瘤项目的样本来源也不同于实体瘤。

公平性分析应至少按癌种、项目、中心、年龄、性别、种族、族裔、样本类型和临床阶段分层。公开 metadata 缺失或受控时，应报告可用字段覆盖率，避免把 TCGA 研究队列直接解释为普通人群代表性样本。

九、适用研究方向

TCGA 适合支持：

• 癌种内和跨癌种的基因组、转录组、甲基化与蛋白组整合。
• H&E WSI 与临床、分子亚型、突变、CNV、表达和预后关联。
• 病理图像表征学习、组织区域检测和病例级多模态建模。
• 肿瘤/正常比较、分子亚型识别和临床分层。
• 生物标志物、通路、驱动基因和治疗靶点探索。
• 不同癌种的组织形态、分子状态和临床结局比较。
• cBioPortal analysis-ready profile 与 GDC 原始文件的交叉验证。

TCGA 项目适合研究型分析和资源复用。现有项目报告没有确认统一的计算病理任务、固定标签、官方 benchmark split 或 leaderboard，研究者需要自行制定病例级划分、标签规则和外部验证方案。

十、使用边界与关键限制

1. 访问分层：开放图像和 metadata 与 controlled 测序、BAM/FASTQ、部分临床数据的访问条件不同。
2. 版本差异：GDC 当前项目统计与历史 TCGA 论文冻结队列数量可能不同。
3. 项目异质性：33 个项目的癌种、样本处理、测序平台、病理审阅、批次和临床变量存在差异。
4. 病例级依赖：同一病例可能有多张切片、多种样本和多个分子文件，随机 patch 划分会造成泄漏。
5. 病理标注有限：Slide Image 文件通常缺少统一的像素级 mask、细胞级标注和病理任务标签。
6. 图像覆盖差异：TCGA-LAML 当前报告确认无 Slide Image（0 个），其余项目的图像数量也应以当前 manifest 复核。
7. 标签语义不统一：diagnosis、histology、molecular subtype、stage 和 grade 的定义由项目和论文决定。
8. 人口代表性有限：癌种特异入组、公开字段缺失和项目规模差异会影响公平性和外推性。
9. 跨平台偏差：GDC、cBioPortal、论文补充数据和其他分析平台的样本范围与处理版本可能不同。
10. 存储和计算成本：WSI、原始测序和多组学文件规模较大，下载前应规划存储、传输和计算资源。

十一、推荐使用流程

建议先确定癌种项目和研究模态，再通过 GDC 项目页或 API 查询病例、样本、文件和访问状态。需要快速探索分子 profile 时可使用 cBioPortal，但正式分析应保留 GDC project ID、manifest、文件版本和样本筛选记录。下载后先建立 case–sample–file 关系表，分别完成临床、图像、测序和组学 QC，再按病例级切分并开展建模。结果中应注明 GDC data release、查询日期、开放/受控文件范围、论文冻结队列与当前项目队列差异。

十二、引用建议

TCGA 数据分析应同时引用 TCGA/GDC 官方入口、具体项目论文、实际使用的 GDC data release 和文件清单。涉及下游分析时，可补充引用 cBioPortal PanCancer Atlas 或 UCSC Xena 的具体 study/profile 版本。病理图像研究应注明项目 ID、Slide Image 文件类型、图像筛选规则和病例级切分策略。