㈠ tcga数据库firebrowse数据怎么分析
TCGA由NCI牵头，作为美国攻克癌计划的一个大的project，投入巨大的人力和资金，较早的进行深度测序，提供Gene expression, DNA methylation, Copy Number Variant, Mutation还有更深度的exon expression外显子测序结果，其临床数据整理的相对最完整，指标最多。在TCGA中直接下载数据的方法较为繁琐，但是有多个网站提供TCGA数据（包括表达和临床等）完善的整理：GDAC， Cancer Browser和cBioportal是其中整理最为完整和可靠的。GDAC由美国MIT和Harvard共建的Broadinstitute运行，UCSC运行着Cancer Browser 和Xena, cBioportal由MemorialSloan-Kettering Cancer Cente建立，提供较为完善的TCGA数据为基础的各类信息检索服务。
㈡ TCGA 数据分析实战 —— WGCNA
加权基因共表达网络分析（ WGCNA , Weighted gene co-expression network analysis ）是一种用来描述不同基因在样本中的表达关联模式的系统生物学方法。
通过将表达高度相关的基因聚集成不同的模块，并探究不同模块与样本表型之间的关联。还可以探究模块内的关键基因的功能，作为潜在的生物标志物或治疗靶点进行后续分析
WGCNA 模块识别算法大致包含以下几个步骤：
输入数据的格式要符合行为样本，列为基因的矩阵格式，因为计算的是基因之间的相关性，所以数据可以是标准化的表达值或者是 read counts 。
探针集或基因可以通过平均表达量或方差（如中位数或绝对中位差）进行过滤，因为低表达或无变化的基因通常代表噪音。
注意 ：并不推荐使用差异基因作为输入矩阵，通过差异表达基因过滤将会导致一个（或几个高度相关的）基因聚成一个模块，同时，也破坏了无标度拓扑的假设，所以通过无标度拓扑拟合来选择软阈值的将会失败。
主要是过滤一些离群或异常的样本，可以对样本数据进行聚类，如果存在异常样本，则其在聚类图中会显示出离群现象，可考虑将其剔除。
首先，对基因的表达量进行 0-1 标准化，即
其中， 为样本方差
然后，使用 pearson 计算基因之间的相关性
两个基因的共表达相似性表示为
然后将基因之间的相似度转换为邻接值，对于非加权网络，计算方式为
其中 为硬阈值，大于等于该阈值表示这两个基因之间存在连接，而低于阈值则认为两个基因没有连接。它们并不能反映共表达信息的连续性质，因此可能导致信息损失。例如，阈值为 0.8 ，那 0.79 是不是应该也有一定的相关性呢？
在介绍软阈值之前，我们先引出两个图论的概念：
度表示为节点所连接的边的数量
无标度网络具有很好的鲁棒性，网络中某些节点的错误并不会导致整个网络的瘫痪，具有很多的代偿连接。而这一特点，与生物体中的复杂生化网络非常类似，只有少数的基因执行着关键性的功能，而大多数的基因执行较为单一的功能。
无标度网络中，节点 d 的度为 k 的概率满足幂律分布
通过对数变换，变为
从这个公式可以看出，节点的度数与其出现的概率是负相关的，通过计算各个节点的度数 k 与该度数 k 在所有节点度数中的占比的 pearson 相关性，我们可以得到关于无标度网络的适应系数。该系数越接近 1 则越像无标度网络，越接近 0 则越像随机网络。
所以，对于加权网络，其邻接值的计算方式为：
当软阈值 时，会让相关系数小的更小，而大的更大。
可以根据适应系数来筛选软阈值
光有邻接矩阵是不够的，基因间的相似性应该要同时体现在其表达和网络拓扑水平，为了能能够尽可能地最小化噪音和假阳性的影响，因此引入了拓扑重叠矩阵
这个概念的主要表达的是，两个基因 a 和 b 之间的相关性，不光考虑两个基因的表达相关性，还需要考虑一些 A 和 B 共有的表达相关基因 u ，如果 u 足够多，则说明 A 与 B 的网络重叠性强，应该被聚成一类
换个说法，两个人之间的亲密度不仅与他们两人之间有关，还与他们的共同好友有关，共同好友越多，说明他们两人之间应该越亲密
计算公式为：
其中， 分别为 i 和 j 的度数
表示的是两个基因的相似性，转换成距离度量就是 ，并使用该值来进行聚类，并分割模块
我们以 TCGA 的乳腺癌数据作为示例，来完整的做一遍 WGCNA 分析
先安装模块
获取 50 个样本的 FPKM 数据， WGCNA 最少需要 15 个样本， 20 个以上的样本会更好，样本越多越好，这里为了方便，我们只挑了 50 个样本
过滤基因，取绝对中位差 top 5000 的基因
过滤异常样本
确定软阈值的时候，需要选择网络类型，不同的网络类型，其计算邻接值的方法是不一样的。
默认为 unsigned
我在 RStudio 中使用 enableWGCNAThreads() 会引发下面的错误
所以，我改用了 allowWGCNAThreads() ，就可以运行了
绘制软阈值曲线
其中横坐标为软阈值的梯度，第一幅图的纵坐标为无标度网络适应系数，越大越好；第二幅图的纵坐标为节点的平均连通度，越小越好。
查看系统给我们推荐的软阈值
与我们从图上看到的结果是一致的，如果出现了异常的值，也就是说在有效的 power 梯度范围内（无向网络在 power 小于 15 ，有向网络 power 小于 30 ），无法使适应系数的值超过 0.8 ，且平均连接度在 100 以上
可能是由于部分样品与其他样品差别较大。这可能是由于批次效应、样品异质性或实验条件对表达影响太大等因素造成的。
可以对样本绘制聚类图来查看有无异常样品，如果这确实是由于生物学差异引起的，也可以使用下面的经验 power 值。
一步法构建网络，我们使用上面推荐的软阈值 5
查看各模块的基因数量
可以使用 labels2colors 函数将数值转换为颜色名称
使用 plotDendroAndColors 函数来展示各个模块的层次聚类结果
其中，无法聚类到模块中的基因会标示为灰色，如果灰色区域较多，可能由于样本中基因共表达趋势不明显，可能需要调整基因过滤的方法。
展示模块之间的相关性
展示 TOM 矩阵，为了节省时间，我们只使用第一个聚类分支
或者更换一种配色
颜色越深表示基因表达的相关性更高，我们可以看到，模块内的基因之间具有较高的共表达，而模块之间的表达相关性较低
将整个网络全部导出成 Cytoscape 输入文件
保存网络
也可以提取某一模块的基因
获取到基因之后，可以进行富集分析找到相关的生物学通路
我们可以分析各网络模块与样本表型之间的关系，从而找到与我们感兴趣表型相关的模块。
样本表型可以是各种指标，比如肿瘤分期分级、已知的分类亚型、药物响应等，并计算模块与这些表型之间是否具有显着相关性
但是模块是一个矩阵，无法直接计算矩阵和向量之间的相关性，需要转换为向量之间的相关性。
而 WGCNA 选择使用 PCA 的方法对数据降维，并将第一主成分定义为 eigengenes ，然后计算 eigengenes 与表型之间的相关性
先获取并处理临床数据
计算模块与 ER 状态的相关性
如果使用的是其他相关性方法，则可以使用 bicorAndPvalue 函数来计算显着性
绘制相关性图
可以看到有些模块的相关性挺高的，而且也具有显着性。我们计算出模块与表型之间相关性之后，可以挑选最相关的那些模块来进行后续分析。但是，模块本身可能还包含很多的基因，还需要进一步识别关键基因基因。
如何寻找关键基因呢？我们可以计算所有基因与模块之间的相关性，也可以计算基因与表型之间的相关性。如果存在一些基因，既与表型显着相关又跟某个模块显着相关，那么这些基因可能就是非常重要的关键基因了
从上图中，我们可以看到 paleturquoise 具有较高的相关性，且具有显着性，我们就来尝试找找这个模块的关键基因
计算基因与模块的相关性
再计算基因与表型的相关性
展示模块内基因与模块和表型之间的相关性
从图中我们可以看出，基因与表型的相关性和基因与模块的相关性还是有一定的线性趋势的，这说明与表型高度相关的基因，通常也是该表型对应模块内比较重要的基因。
因此，当我们要选择关键基因时，推荐选取散点图中右上角部分的基因，即两个相关性均较大的基因
我们可以导出这个模块的网络
㈢ TCGA甲基化芯片数据质控和过滤
在step1中，我们获得了TCGA中OSCC 的32个病人的T-N配对样本和对应的临床信息,并将其组成了一个名为my_Load的ChAMP对象。
做后续差异分析之前，需要对信号值矩阵进行归一化。这一步骤消耗计算资源较多，配置不够可能会跑很久或者会中断。
删除缺失值样本后，还剩58个（29对）样本。
图中看出三个样本异常,删掉它们和它们的配对样本。
根据top1000sd的热图和相关性热图，会发现三个样本是异常的，因此又剔除3对，剩下26对（52个）样本，用于下一步的差异分析。我试了一下这三个样本不删除的话，后面做差异甲基化位点的热图也是聚类不成功的，删掉会好些。
㈣ TCGA数据挖掘五：突变数据画图
（这里没有把整理数据步骤放进去，直接加载的已经整理好的maf文件）
三.画基因突变瀑布图
纵是基因，取的突变数量前30个；横的是样本
每横条代表这个基因在哪些样本中产生突变
㈤ 如何快速掌握TCGA数据库
参加培训班——最快速的方法。有些生物信息公司会针对高校教师和医师开生信培训班，我导师带着我上过几次，有TCGA、Oncomine和R的。缺点是价格贵，一次一天两三千，优点是上手快，而且会有后续服务，比如课上完后你在qq群里提问，一般公司技术人员都会给你解决。我放几张上完培训班后发的资料，是课上PPT转的PDF。另外再推荐一本中文教材，可以做补充用。优点是浅显易懂，缺点是不够深入且作者态度傲娇，但书还可以，《R语言与Bioconctor-生物信息学应用》，随着大数据时代的到来，各种生物类公共数据库井喷，其中就包括癌症领域熟为人知的癌症基因图谱The Cancer Genome Atlas (TCGA)数据库。TCGA由NCI牵头，作为美国攻克癌计划的一个大项目，投入了巨大的人力和物力，系统提供了癌症多组学测序和芯片数据，包括Gene expression, DNA methylation, Copy NumberVariation, Mutation等结果，同时也附有相应各测序样本的完整临床资料。TCGA为肿瘤基础医学和转化医学研究者提供了海量的基因组数据和与其关联的临床数据,这为挖掘有意义的基因组变化和发现影响肿瘤起始、发展、分化、转移等生物学机制提供了海量数据基础。然而传统的基础医学和转化医学研究者缺乏信息学基础来处理大规模癌症数据,因而在面对这些极其有价值的基因组数据时,往往心有余而力不足。作为医学信息领域研究者,我们需要将信息学和统计学知识运用到癌症基因组学数据分析的研究当中,作为连接大数据与基础医学研究者之间的一个纽带,帮助研究者去更好地挖掘探索这些数据。
㈥ 如何快速掌握TCGA数据库
如何快速掌握TCGA数据库
读tcga工作组发的文章,直接读发在cell上的一篇泛癌症的文章,正文➕附件,能复现文章中的结果,就行了。
㈦ 如何快速掌握TCGA数据库
tcga工作组发的文章。
The Cancer Genome Atlas （TCGA，https://tcga-data.nci.nih.gov/tcga/tcgaHome2.jsp）数据库。TCGA数据源大部分都是公开的。
目前来能够从TCGA数据库中提取数据的处理工具有cBioPortal（http://www.cbioportal.org/public-portal/cgds_r.jsp），ICGC（http://dcc.icgc.org/download/current）和GenePattern（http://www.broadinstitute.org/cancer/software/genepattern/download/index）。
㈧ 第一次做生物信息学，求助
你这个问题好大，生物信息学包含的内容太多，主要看你需要做哪些分析，是想学习分析，还是只是需要发表论文，如果学习，那是一个系统的学习，推荐学习两门语言，R语言和PERL语言，学习两个数据库，GEO和TCGA，这两个数据库是现在的主流，需要掌握的。学习资源可以取生信自学wang和丁香园，都可以学到不少东西。如果是写论文，可以直接找生信分析的人，把分析好的数据和图片给你，你就可以写论文了，当然找人家做一般都是有偿的。
学习语言：R
perl程序
两大数据库
GEO芯片数据库
TCGA癌症数据库，包括癌症的临床信息，表达信息，甲基化，SNP，数据量大，全面
㈨ GEO数据集作为验证集,需要和TCGA数据进行数据矫正吗
看情况，有些需要。GEO通常是经过了标准化和对数转换的数据，但是不是所有的都是。