给你tcga数据库过万病人的原始测序数据你可以做什么

最近有两年前的学生过来寻求合作，让我想想给我tcga数据库过万病人的原始测序数据我可以做什么方法学的创新。我想把这个问题抛给粉丝

tcga数据库的原始测序数据

假设给你tcga数据库过万病人的原始测序数据你可以做什么？？？

大家应该是都知道，TCGA数据库是目前最综合最全面的癌症病人相关组学数据库，包括：

• DNA Sequencing
• miRNA Sequencing
• Protein Expression array
• mRNA Sequencing
• Total RNA Sequencing
• Array-based Expression
• DNA Methylation
• Copy Number array

知名的肿瘤研究机构都有着自己的TCGA数据库探索工具，比如：

• Broad Institute FireBrowse portal, The Broad Institute
• cBioPortal for Cancer Genomics, Memorial Sloan-Kettering Cancer Center

但是现在通常是只能下载到分析过的数据

• http://gdac.broadinstitute.org/runs/stddata__latest/

tcga分析后的数据

不管是哪个机构提供，都是只有分析后的数据，俗称level3数据，所以我挑选了部分，写了6个数据下载系列教程：

• TCGA的28篇教程- 使用R语言的cgdsr包获取TCGA数据（cBioPortal）
• TCGA的28篇教程- 使用R语言的RTCGA包获取TCGA数据 （离线打包版本）
• TCGA的28篇教程-使用R语言的RTCGAToolbox包获取TCGA数据（FireBrowse portal）
• TCGA的28篇教程- 批量下载TCGA所有数据 （ UCSC的 XENA）
• TCGA的28篇教程-数据下载就到此为止吧

成千上万的TCGA数据挖掘文章都是围绕这些分析后的数据来的，落脚点是各种临床表型的关联分析，主要是一些统计可视化并且联系到生物学意义。

pan-cancer分析

为了分析不同类型、组织起源肿瘤的共性、差异以及新课题。TCGA于2012年10月26日-27日在圣克鲁兹，加州举行的会议中发起了泛癌计划。参考：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6000284/

其中的佼佼者是TCGA官方团队的泛癌项目

• 27论文全部是在2018年发表在Cell及其子刊上，有兴趣的可以自行查看 网址 https://www.cell.com/pb-assets/consortium/pancanceratlas/pancani3/index.html
• 以及于2020年的2月5日统一发表在Nature及其子刊上的21篇文章，网址为https://www.nature.com/collections/afdejfafdb/

这里面很多数据，就是从tcga数据库过万病人的原始测序数据开始的。

转录组数据

转录组数据挖掘，大家仍然是集中在mRNA,LncRNA,等表达量和预后上面，但是如果你有了tcga数据库过万病人的原始测序数据，你就可以对fastq数据进行转录组的高级分析啦！

RNA编辑

指的是转录后的RNA发生的碱基插入，缺失，替换等现象，属于转录后修饰的一种，相比其他转录后修饰，比如可变剪切等，RNA编辑比较罕见，但是其作用和功能不容忽视。RNA编辑现象不仅可以发生了mRNA上，在miRNA, lncRNA等其他类型的ncRNA上也会发生。ngs技术为大规模RNA编辑位点的识别带来了便利，如果你有了tcga数据库过万病人的原始测序数据，就可以进行统一的RNA编辑位点的识别分析，不过，大概率上已经轮不到你啦：

数据挖掘之RNA编辑位点的识别

如果你有原始的fastq测序数据，就可以走一下RNA编辑位点的识别相关分析软件，拿到结果后建立网站数据库供他人下载挖掘。

可变剪切

TCGA的可变剪切也是被玩烂了的梗，大多数从一个数据库里面下载了分析好的可变剪切结果。相当于tcga数据库的新的level3数据，所以每个癌症都可以来一套同样的分析节奏。

如果你有原始的fastq测序数据，就可以走一下RNA-seq可变剪切相关分析软件，拿到结果后建立网站数据库供他人下载挖掘。

不过现在是三代测序全长转录组的时代了，以前的那些分析结果大多毫无意义，味如嚼蜡。

可变剪切形式

SnoRNA

多种RNA，包括miRNA、siRNA、piRNA、tsRNA、snRNA、snoRNA、lncRNA、circRNA等，并不是所有的都在TCGA数据库的转录组数据里面找到并且定量。

Weinberg在哺乳动物体内发现了第一个snoRNA(small nueleolar RNA，小分子核仁RNA)，其主要作用是参与细胞核中前体rRNA的加工与修饰。随后在脊椎动物、酵母和植物中也发现了大量的snoRNA，它们是一类典型的ncRNA。在脊椎动物中，除少数snoRNA基因单独转录外，大部分snoRNA由蛋白质编码基因的内含子编码。酵母中除7个内含子基因和5个多顺反子snoRNA基因簇外，大部分snoRNA由单独基因编码。植物中的大部分snoRNA基因属于多顺反子基因簇，这些多顺反子基因簇部分是内含子，它们分别由2—5个snoRNA基因组成。

如果你有原始的fastq测序数据，就可以走一下SnoRNA相关分析软件，拿到结果后建立网站数据库供他人下载挖掘。

融合基因

毫无疑问，已经有人挖掘并且整理好了，在数据库网页工具：https://tumorfusions.org/ 可以下载和查询针对TCGA的RNA-seq数据的全部基因融合事件，全称是：TUMOR FUSION GENE DATA PORTAL 同时还有一个：ChimerDB 4.0: an updated and expanded database of fusion genes 也提供融合基因信息。

同样的，如果你有原始的fastq测序数据，就可以走一下融合基因相关分析软件，拿到结果后建立网站数据库供他人下载挖掘。

外显子数据

相比转录组数据来说，外显子数据重新挖掘的文章要少很多。更别说是重新分析原始的外显子测序数据了，我也没有时间去做系统性的调研工作了，这里就举一个例子：

微卫星不稳定

这个是从原始的外显子测序数据开始的分析，加入了新的分析软件。

现在轮到大家畅所欲言了

给你tcga数据库过万病人的原始测序数据你可以做什么？

大家可以发挥自己的生物学背景优势，畅所欲言，比如如果是做免疫的，可以考虑从RNA-seq里面分析免疫组库相关基因表达量，有点类似于m6A相关基因或者自噬相关基因的数据挖掘分析：