TCGA癌症名称对照表：生物信息学数据分析必备工具

1. 项目概述：为什么需要一份清晰的TCGA癌症名称对照表？

如果你正在或即将踏入癌症基因组学的研究领域，尤其是要处理TCGA（The Cancer Genome Atlas）的数据，那么你大概率会遇到一个看似简单却极其磨人的问题：这些癌症的英文全称、缩写和中文名称，怎么就对不上号呢？我刚开始接触TCGA数据时，就曾被这个问题困扰过。下载的数据集文件夹名是“BRCA”，文献里一会儿叫“Breast invasive carcinoma”，中文资料又可能写作“乳腺浸润性癌”。更头疼的是，TCGA官方项目涵盖了超过30种癌症类型，每种都有其特定的命名逻辑和简写规则，没有一个统一的“字典”，在阅读文献、撰写报告、甚至和同行交流时，都容易产生混淆和误解。

这个项目，就是基于我多年处理TCGA数据的经验，整理的一份详尽、准确、可直接查阅的TCGA癌症名称对照表。它不仅仅是一个简单的列表，更是一把帮你快速理解TCGA研究体系的钥匙。通过这份对照表，你可以：

• 高效查阅：在分析数据时，快速将文件夹缩写（如LUAD）与癌症全称（Lung adenocarcinoma）及其中文名（肺腺癌）对应起来。
• 准确沟通：在论文写作或项目讨论中，使用规范、统一的术语，避免因名称不一致导致的歧义。
• 理解分类：透过名称了解TCGA对癌症的组织学分类，例如区分“腺癌”（Adenocarcinoma）和“鳞状细胞癌”（Squamous Cell Carcinoma）。
• 快速入门：对于新手，这是梳理TCGA庞大癌症类型体系的最佳起点。

无论你是生物信息学分析师、临床科研人员，还是医学领域的学生，这份凝结了实操经验的对照表，都能成为你案头常备的实用工具，节省大量查阅和核对的时间。

2. TCGA癌症命名体系深度解析

TCGA的命名并非随意为之，其背后有一套基于医学分类学和组织病理学的严谨逻辑。理解这套逻辑，不仅能帮你记住名称，更能深化你对这些癌症本质的认识。

2.1 命名构成的三要素

一个完整的TCGA癌症类型标识，通常由三个核心要素构成，这也是我们对照表的三个核心列：

1. TCGA项目代码/简写 (Abbreviation)：这是TCGA数据中最常用、最核心的标识符。通常是2-4个字母的缩写，用于数据集的文件夹命名、文件前缀等。例如BRCA（乳腺癌）、LUAD（肺腺癌）。其构成规则主要有：

   • 器官/组织+类型：最常见的方式。如LUAD=Lung（肺） +Adenocarcinoma（腺癌）；LUSC=Lung（肺） +Squamous Cell Carcinoma（鳞状细胞癌）。
   • 纯器官缩写：主要用于该器官最具代表性或唯一研究的癌种。如GBM（Glioblastoma multiforme， 多形性胶质母细胞瘤），特指脑部的这种高度恶性胶质瘤。
   • 特殊缩写：部分采用疾病英文名的首字母组合。如AML（Acute Myeloid Leukemia， 急性髓系白血病）。

2. 英文全称 (Full Name)：指该癌症在医学文献中的标准英文名称。它精确描述了癌症的起源组织和病理学类型。例如，“Breast invasive carcinoma”强调了“浸润性”这一关键临床病理特征。全称是理解疾病本质的关键。

3. 中文名称 (Chinese Name)：对应于英文全称的规范中文医学译名。这是与国内临床医生、科研同行沟通的桥梁。翻译通常遵循“器官+病理类型”的原则，如“肺腺癌”、“肝细胞癌”。准确性至关重要，一个错误的翻译可能导致完全不同的疾病理解。

2.2 从命名看癌症分类学

TCGA的命名直接反映了癌症的分类层次，主要从两个维度：

• 解剖部位维度：即癌症发生的器官或组织。这是最顶层的分类。例如，所有Lung（肺）开头的项目（LUAD， LUSC）都归于呼吸系统肿瘤。这能帮助我们从宏观上把握TCGA覆盖的癌种范围。
• 组织病理学维度：即癌细胞在显微镜下的形态和结构。这是区分同一器官不同癌症类型的核心。例如在肺部：
  • Adenocarcinoma（腺癌）：癌细胞呈腺样结构，常与吸烟相关但非吸烟者也可发生，多位于肺外周。
  • Squamous Cell Carcinoma（鳞状细胞癌）：癌细胞有角化珠或细胞间桥，与吸烟关系极为密切，多位于中央气道。
  • 这两种类型的发病机制、驱动基因、治疗策略和预后都有显著差异。因此，TCGA将其作为两个独立项目（LUAD和LUSC）进行研究，这份对照表清晰地展示了这种重要的区分。

注意：中文命名有时会省略或简化部分病理描述词。例如“Breast invasive carcinoma”严格应译为“乳腺浸润性癌”，但国内部分语境下可能简化为“乳腺癌”。在严肃的科研写作中，建议使用完整、准确的译名。

2.3 容易混淆的命名案例与辨析

在实际使用中，有几组名称特别容易混淆，需要格外留意：

• LAML vs AML：在TCGA中，LAML特指“Acute Myeloid Leukemia”（急性髓系白血病）。而AML这个缩写虽然在通用医学领域等同于急性髓系白血病，但在TCGA的特定上下文中，它就是LAML项目的代码。这提醒我们，在TCGA体系内，必须使用其官方项目代码。
• COAD vs READ：两者都是结直肠癌，但COAD(Colon adenocarcinoma) 指结肠腺癌，READ(Rectum adenocarcinoma) 指直肠腺癌。虽然解剖位置毗邻，且常合称为结直肠癌（CRC），但TCGA将其分开研究，提示二者在分子特征上可能存在差异。
• KICH, KIRC, KIRP：这是一组肾脏肿瘤的经典案例，完美展示了病理分类。
  • KICH: Kidney Chromophobe（肾嫌色细胞癌）
  • KIRC: Kidney renal clear cell carcinoma（肾透明细胞癌）
  • KIRP: Kidney renal papillary cell carcinoma（肾乳头状细胞癌） 它们的缩写巧妙地包含了器官（KI）和关键病理特征（CH， RC， RP），是学习TCGA命名逻辑的绝佳范例。

理解这些命名背后的逻辑，能让你在看到缩写时，不仅仅是在查一个“代号”，而是在脑海中快速关联起其解剖位置、病理特征和临床意义。

3. 核心工具：TCGA癌症名称完整对照表

以下是我根据TCGA官方项目列表、多篇核心论文以及国内医学命名规范，反复校对整理出的对照表。表中不仅列出了三项核心信息，还补充了样本量（Cases）这一关键数据维度，并添加了简要注释，帮助你在使用时获得更多上下文信息。

使用心得与注意事项：

1. 样本量的参考价值：样本量大小直接影响后续分析（如寻找低频突变、进行亚型分型）的统计效力。对于样本量较小的癌种（如CHOL， UCS），在进行分析时需要特别注意结果的可靠性，可能需要采用不同的统计策略或与其他数据集合并。
2. 版本与更新：TCGA项目本身已经结题，这份列表是其主要癌种的稳定集合。但在使用具体数据时，仍需从GDC Data Portal等官方渠道确认最新的数据版本和样本清单，因为数据清理和更新可能导致可用样本数微调。
3. “混合”项目的处理：如CESC和ESCA，它们包含了不同的病理亚型。在分析时，需要留意是否需要对亚型进行区分，因为混合分析可能会掩盖亚型特异的信号。

4. 实操应用：如何在数据分析流程中高效使用对照表

整理对照表不是最终目的，将其无缝嵌入到你的数据分析工作流中，才能真正提升效率。以下是我常用的几种实战场景和方法。

4.1 场景一：数据下载与文件管理

当你从GDC Data Portal、UCSC Xena等平台下载TCGA数据时，数据通常按癌症缩写组织在文件夹中。

• 操作步骤：

  1. 使用上方的对照表，将你研究目标对应的英文全称或中文名称，转换为TCGA简写（如，研究“肺腺癌” -> 查找简写为LUAD）。
  2. 在下载界面，直接选择或搜索LUAD项目。
  3. 下载的数据文件可能命名为TCGA-LUAD.htseq_counts.tsv.gz或类似格式。在本地建立项目文件夹时，我强烈建议采用项目简写_中文名的格式，例如LUAD_肺腺癌。这样在文件管理器里一目了然，避免了后续回忆“LUAD到底是哪个癌”的麻烦。

• 避坑技巧：

  注意：TCGA数据有不同“数据层级”（Data Level），如Level 1（原始数据）、Level 3（经过处理的基因表达/突变数据）。对于大多数生物信息学分析，我们直接从Level 3数据开始。下载时务必确认你下载的是所需的数据类型（如基因表达FPKM、体细胞突变MAF文件）和对应的层级。

4.2 场景二：分析脚本与注释文件的通用化编写

在编写数据分析脚本（如R或Python）时，硬编码癌症名称会导致脚本复用性差。利用对照表可以编写更通用的代码。

• 操作示例（R语言）： 假设你需要为多个癌种生成表达量概览图，可以创建一个映射向量或数据框。

  # 创建一个TCGA癌症信息的数据框（部分示例） tcga_cancer_info <- data.frame( Abbreviation = c("BRCA", "LUAD", "LUSC", "COAD"), Full_Name = c("Breast invasive carcinoma", "Lung adenocarcinoma", "Lung squamous cell carcinoma", "Colon adenocarcinoma"), Chinese_Name = c("乳腺浸润性癌", "肺腺癌", "肺鳞癌", "结肠腺癌"), stringsAsFactors = FALSE ) # 定义一个通用绘图函数 generate_summary_plot <- function(cancer_abbr) { # 1. 通过缩写找到中文名，用于图表标题 chinese_name <- tcga_cancer_info$Chinese_Name[tcga_cancer_info$Abbreviation == cancer_abbr] # 2. 动态构建文件路径（假设数据文件以缩写命名） data_file <- paste0("path/to/data/TCGA-", cancer_abbr, ".expression.tsv") # 3. 读取数据并分析... # df <- read.table(data_file, header=TRUE, sep="\t") # 4. 绘制图表，标题包含中文名 # p <- ggplot(...) + ggtitle(paste(chinese_name, "基因表达分布")) print(paste("正在处理:", chinese_name, "(", cancer_abbr, ")")) # 返回或保存图表 } # 批量运行 for (cancer in c("BRCA", "LUAD")) { generate_summary_plot(cancer) }

  这样，当你需要新增一个癌种时，只需在tcga_cancer_info数据框和循环列表中添加对应条目即可，无需修改函数内部逻辑。

4.3 场景三：结果可视化与报告撰写

在生成分析报告、发表论文或制作演示幻灯片时，呈现规范、完整的癌症名称是专业性的体现。

• 最佳实践：

  • 图表中：在图注或轴标签中，建议使用“英文全称（缩写）”的格式，例如 “Lung adenocarcinoma (LUAD)”。如果受众主要是中文读者，可使用“中文名（英文缩写）”，如“肺腺癌（LUAD）”。
  • 正文中：首次提及某个TCGA癌种时，应给出全称并括号注明缩写，后续可使用缩写。例如：“我们分析了来自癌症基因组图谱（TCGA）的肺腺癌（Lung adenocarcinoma， LUAD）和肺鳞状细胞癌（Lung squamous cell carcinoma， LUSC）数据集。”
  • 表格中：可以设立三列：“TCGA项目”、“癌症类型（英文）”、“癌症类型（中文）”，使信息一目了然。

• 心得分享： 我习惯在论文的“材料与方法”部分或补充材料中，以表格形式列出本研究所用的所有TCGA数据集，包含缩写、全称、样本量。这既是对照表的直接应用，也向审稿人和读者清晰展示了数据来源，增强了研究的可重复性和严谨性。

5. 常见问题与扩展资源

5.1 高频问题速查表

5.2 如何获取与验证最新的TCGA信息

尽管TCGA主体项目已结束，但其数据仍在被广泛使用和重分析。确保你信息的时效性和准确性很重要。

1. 官方源头验证：

   • GDC Data Portal (portal.gdc.cancer.gov)：这是目前管理和提供TCGA数据的官方门户。在“Repository”页面，你可以浏览所有项目（Projects），这里列出了最权威的项目缩写和全称。
   • TCGA Publications (cancergenome.nih.gov/publications)：官网的出版物页面列出了所有主要的标志性论文（Cell， Nature， Cancer Cell等），每篇论文的标题和摘要都规范地使用了癌症全称和缩写，是极佳的参考。

2. 利用成熟的生物信息学资源：

   • R/Bioconductor包：如TCGAbiolinks、curatedTCGAData。这些包的文档和函数帮助中，通常内置了准确的癌症类型映射。
   • UCSC Xena Browser (xenabrowser.net)：在数据集的描述中，会明确给出癌症的完整名称。

3. 建立个人知识库： 建议将本文的对照表保存为本地CSV文件或纳入你的笔记软件（如Notion， Obsidian）。在每次开始一个新的TCGA相关项目时，首先核对和更新这份列表，并记录下你本次分析使用的具体数据版本和样本ID列表。长此以往，你就构建起了自己专属的、带有个性化注释的TCGA元数据知识库，这将成为你科研路上的一大助力。