TCGA与GTEx数据融合实战：构建跨平台TPM表达矩阵

1. TCGA与GTEx数据融合的价值与挑战

在癌症研究领域，TCGA（The Cancer Genome Atlas）和GTEx（Genotype-Tissue Expression）是两个最常用的公共数据库。TCGA专注于肿瘤样本的基因组数据，而GTEx则提供了正常组织的基因表达谱。将两者结合起来分析，可以更全面地理解肿瘤与正常组织间的差异表达模式。

不过实际操作中会遇到几个典型问题：首先是数据来源不同导致的格式差异，TCGA数据通常来自GDC（Genomic Data Commons）平台，而GTEx数据多存储在UCSC Xena浏览器；其次是量化单位不统一，即便都是TPM（Transcripts Per Million）值，GTEx数据往往经过log2转换；最后是基因注释版本可能不一致，需要统一到相同的基因ID系统。

我在处理前列腺癌数据时就踩过坑：直接合并两个矩阵后，发现样本间相关性异常低。后来才发现GTEx数据需要先进行log2还原，而TCGA数据已经是原始TPM值。这种细节问题很容易被忽略，但会导致后续分析结果完全错误。

2. 数据下载与初步处理

2.1 GTEx数据获取

从UCSC Xena获取GTEx数据是最便捷的途径。具体步骤：

1. 访问https://xenabrowser.net/点击"Launch Xena"
2. 在"DATA SETs"中选择"GTEX（11 datasets）"
3. 下载表达矩阵（通常命名为gtex_RSEM_gene_tpm.gz）和样本信息表
4. 额外下载基因注释文件：https://toil.xenahubs.net/download/probeMap/gencode.v23.annotation.gene.probemap

关键要注意GTEx表达矩阵的特殊性：数据存储为log2(tpm+0.001)形式。这个0.001的偏移量是为了避免对0取对数，但在后续分析前必须还原。我最初就因为这个转换问题，导致PCA分析时GTEx样本全部聚成一类异常点。

2.2 TCGA数据获取

TCGA数据推荐通过GDC官方门户获取：

# 使用GDC客户端下载示例 gdc-client download -m manifest.txt -d ./data

对于RNA-seq数据，需要注意选择"HTSeq - TPM"作为量化方法。与GTEx不同，TCGA的TPM值是原始计数，不需要对数转换。但要注意检查metadata中的样本类型（如01表示原发肿瘤，11表示正常组织）。

3. 数据预处理关键步骤

3.1 矩阵格式标准化

GTEx数据需要先进行反转换：

# GTEx矩阵log2还原 exp_gtex <- 2^exp_gtex - 0.001 exp_gtex[exp_gtex < 0] <- 0 # 处理可能出现的负值

而TCGA数据通常已经是标准TPM值，但需要检查异常值：

# TCGA数据质量检查 summary(colSums(exp_tcga)) # 理论上TPM总和应为百万

3.2 基因注释统一

两个数据库可能使用不同版本的GENCODE注释。建议统一转换为基因Symbol：

# 使用biomaRt进行ID转换 library(biomaRt) ensembl <- useEnsembl(biomart = "genes", dataset = "hsapiens_gene_ensembl") gene_map <- getBM(attributes = c('ensembl_gene_id','hgnc_symbol'), mart = ensembl)

实际项目中我发现约15%的基因需要手动核对，特别是非编码RNA和假基因。建议保存转换日志以备复查。

4. 矩阵合并与质量控制

4.1 样本筛选策略

合并前需要明确分析目的。如果是肿瘤vs正常对照分析：

# 筛选前列腺癌样本 tcga_samples <- colnames(exp_tcga)[substr(colnames(exp_tcga),14,15)=="01"] gtex_samples <- data_cl$Barcode[data_cl$Tissue=="Prostate"]

4.2 批次效应处理

使用ComBat算法校正平台差异：

library(sva) combined_matrix <- cbind(exp_tcga[,tcga_samples], exp_gtex[,gtex_samples]) batch <- c(rep(1,length(tcga_samples)), rep(2,length(gtex_samples))) adjusted <- ComBat(dat=combined_matrix, batch=batch)

建议先做PCA检查批次效应强度。我在乳腺癌数据分析中发现，校正后肿瘤与正常组织的差异基因数量增加了37%。

4.3 最终矩阵生成

合并后的矩阵应该包含：

• 行名为标准基因Symbol
• 列名为样本ID
• 值为校正后的TPM

保存前建议进行标准化：

final_matrix <- log2(adjusted + 1) # 适度压缩动态范围 write.csv(final_matrix, "TCGA_GTEx_merged.csv")

5. 常见问题排查

在最后的质量检查阶段，有几个关键指标需要关注：

1. 基因表达分布：使用箱线图检查各样本的中位数和IQR是否一致
2. 样本相关性：计算样本间Pearson相关系数，肿瘤与正常应明显分开
3. 管家基因表达：如ACTB、GAPDH的TPM应在合理范围（通常100-1000）

我开发了一个快速检查函数：

qc_check <- function(mat, title){ par(mfrow=c(1,2)) boxplot(mat, main=paste(title,"Expression")) plot(density(mat[,1]), col=2, main="Sample Density") for(i in 2:5) lines(density(mat[,i]), col=i+1) }

这个流程已经成功应用于我们实验室的膀胱癌和肺癌研究。最关键的是保持每个步骤的可追溯性，建议用R Markdown记录完整的处理日志。当需要更新数据时，只需重新运行脚本即可获得最新结果。