1、首先，打开GDC提供的下载文件，如“gdc_download_xxxxx”，里面包含了多份单独的文件夹，每个文件夹内有一个tsv格式的基因表达文件，对应一个样本的基因表达量数据。由于没有样本名信息，你需要在下载数据时一并获取metadata或sample_sheet文件，以建立样本名与文件名之间的对应关系。
需要的数据：TCGA上的临床数据。当你下下来时会发现有一大堆。这时需要你做的就是筛选你所需要的。你需要的有：目的基因的表达量、患者生存时间、患者生存/死亡状态。这里的目的基因可以是你前期差异基因分析/通路分析/临床分析等所得到的一个或几个基因，你需要在下一步生存分析中进一步验证其预后影响。
DESeq2需要导入两个数据集：mycounts， colData。先说mycounts，这就是处理完的TCGA数据RNAmatrix.txt，直接读入即可。colData就是对每个样本的一个情况说明。这个可以生成，也可以自己写一个保存为csv格式。我一般自己写。
TCGA转录组数据打包，一次下载即可获取counts、TPM、FPKM三种类型的数据，无需单独下载。 数据采用最新注释，Gene symbol已标注，无需额外注释。 转录组数据自带RNA类型，方便区分编码RNA和非编码RNA。关于数据下载，推荐使用TCGAbiolinks包，方便且节省时间。接下来进行代码演示。代码演示部分省略。
首先，打开GDC提供的下载文件，如“gdc_download_xxxxx”，里面包含了多份单独的文件夹，每个文件夹内有一个tsv格式的基因表达文件，对应一个样本的基因表达量数据。由于没有样本名信息，你需要在下载数据时一并获取metadata或sample_sheet文件，以建立样本名与文件名之间的对应关系。
可以通过boxplot函数观察一下样本表达丰度值的分布是否整齐进行判断 如果表达丰度的数值在50以内，通常是经过log2转化的。如果数字在几百几千，则是未经转化的。
要成功绘制R中的生存曲线，首要步骤是对生存分析的基本概念有清晰理解，特别是生存时间和终点事件。接下来是数据准备，从TCGA获取临床数据，确保数据包含结局事件和生存时间这两列关键信息。以肾透明细胞癌KIRC数据为例，可通过gdc.xenahubs.net获取TCGA-KIRC.GDC_phenotype.tsv文件。
首先说下背景，我毕论有大量涉及到生存曲线分析。针对某个我们已挖掘到白血病中的差异基因，利用了TCGA上的临床数据。需要的数据：TCGA上的临床数据。当你下下来时会发现有一大堆。这时需要你做的就是筛选你所需要的。你需要的有：目的基因的表达量、患者生存时间、患者生存/死亡状态。
最后，您可以灵活地进行单基因或多基因的表达、分期差异和性别差异分析，甚至生存曲线的绘制。这些功能的实现，使您能够在生信领域进行深入探索，而不仅仅是基本的数据获取。资源链接包括生信小课堂公众号提供的各类教程和资料，例如火山图、R语言基础、TCGA数据整理等。
为了完善观察结果，根据簇B（浅蓝色）与簇A和簇C（紫色）绘制了患者生存期图，并证实簇B患者的预后明显且显著恶化（图2）。用相关生存数据在另外四个队列中进一步验证了这一结果。结论是免疫簇与ER阴性和ER阳性乳腺癌的预后相关。
继续探索，Cancer LncRNA Census致力于癌症相关lncRNA的分类，lncLocator则预测lncRNA的亚细胞定位，LncRMap则详细解析了lncRNA的表达谱、miRNA调节、 esiRNA以及邻近基因信息。oncolnc数据库便于lncRNA表达分析和生存曲线绘制，ChIPBase则聚焦转录调控的鉴定和注释。
TCGA转录组数据打包，一次下载即可获取counts、TPM、FPKM三种类型的数据，无需单独下载。 数据采用最新注释，Gene symbol已标注，无需额外注释。 转录组数据自带RNA类型，方便区分编码RNA和非编码RNA。关于数据下载，推荐使用TCGAbiolinks包，方便且节省时间。接下来进行代码演示。代码演示部分省略。
1、基因芯片（genechip）（又称DNA芯片、生物芯片）的原型是80年代中期提出的。基因芯片的测序原理是杂交测序方法，即通过与一组已知序列的核酸探针杂交进行核酸序列测定的方法，在一块基片表面固定了序列已知的靶核苷酸的探针。
2、基因芯片，这座生物信息学的微观罗盘，通过精密的碱基配对技术揭示生命奥秘。全球的基因数据库，如GEO、ArrayExpress和TCGA，犹如知识的宝库，储存着海量的芯片数据。数据处理旅程始于背景噪声的消除，通过矩阵化和标准化（N：条件数，G：基因数量，mi：基因表达水平，mj：条件下的基因表达）精心梳理。
3、芯片， 根据核酸分析过程中的3 个主要步骤，DNA 芯片分为3 类：用于核酸样品制备的DNA芯片、用于核酸片段扩增反应的DNA 芯片和用于基因检测的DNA 芯片，后者又称微阵列，即DNA芯片。本文对基因芯片在食品致病菌检测中的应用作一介绍。
4、DNA芯片技术，实际上就是一种大规模集成的固相杂交，是指在固相支持物上原位合成（insitusynthesis）寡核苷酸或者直接将大量预先制备的DNA探针以显微打印的方式有序地固化于支持物表面，然后与标记的样品杂交。通过对杂交信号的检测分析，得出样品的遗传信息（基因序列及表达的信息）。
5、DNA芯片是一种通过杂交测定未知DNA序列的新技术。在一个玻璃或硅片上合成大量的寡聚核苷酸片段，例如可以合成8个碱基长的全部可能的寡聚核苷酸片段（48=65，536种）。这些探针一头固定在固体基质上，另外一端是游离的。它们在硅片上有规律地排列着，每个特定位置上探针的序列都是已知的。
6、生物芯片家族成员丰富，包括基因芯片、蛋白质芯片、芯片实验室及其他芯片。其应用广泛，不仅在生命科学中展现巨大潜力，还深入医学、新药开发、食品卫生监督、司法和军事、环境监测防治、农林牧渔作物优选优育，以及新一代计算机等领域。
1、DESeq2需要导入两个数据集：mycounts， colData。先说mycounts，这就是处理完的TCGA数据RNAmatrix.txt，直接读入即可。colData就是对每个样本的一个情况说明。这个可以生成，也可以自己写一个保存为csv格式。我一般自己写。
2、TCGA数据主要有HTSeq-Counts，HTSeq-FPKM，以及HTSeq-FPKM-UQ等几种格式，它们分别用于不同的分析需求。HTSeq-Counts数是差异分析软件如edgeR和DEseq2的首选输入，而均一化的FPKM或FPKM-UQ则适用于计算样品间的相关性或聚类分析。通常，下载counts数据后进行标准化处理也是一个可行的选择。
3、在软件的海洋中，Limma，这位全能冠军，驾驭着多因素实验的复杂性；DESeq2/EdgeR，则专长于处理RNA-Seq/ChIP-Seq等高通量数据；GFOLD则如猛兽出笼，无惧重复数据的挑战。数据分析的后续阶段，GO基因本体论功能分析和EASE基因功能网络分析如同解码基因的密码，揭示其在生物学中的角色。
4、加载转录组测序数据，通常为测序后产生的计数矩阵，通过公司获取或从TCGA肿瘤数据库下载获得，确保数据为数据框格式。构建metadata文件指示分组信息，是进行差异分析的关键步骤。使用DESeq2时，此文件需与表达矩阵一同输入。通过DESeq2创建dds对象，处理数据，包括过滤低表达基因，标准化，聚类样本等。
5、DESeq2 首先，使用 DESeq 对数据进行预处理，然后进行差异表达分析并绘制火山图与热图。edgeR 使用 edgeR 进行数据预处理和差异分析，同样可以得到火山图和热图。limma limma 提供的差异分析方法相对简单，同样可以得到相似的火山图和热图结果。三种方法得到的结果会有微小差异，但整体上相似。
6、TCGA上下载的RNA-seq文件无法整理成表达矩阵的原因可能有很多，比如文件格式不兼容、数据质量差、软件版本不匹配等等。您可以先检查一下文件格式是否为tab分隔的文本文件，如果不是，可以使用R包如DESeq2或edgeR等进行差异表达分析。如果您已经确定文件格式正确，可以尝试使用gdcclient工具下载metadata文件。
