TCGA样本命名详解

亦凉 2022-05-21 03:49 132阅读 0赞

在TCGA中，一个患者可能会对应多个样本，如TCGA-A6-6650可以得到3个样本数据：

*  TCGA-A6-6650-01A-11R-1774-07
 *  TCGA-A6-6650-01A-11R-A278-07
 *  TCGA-A6-6650-01B-02R-A277-07

大家知道一般在做TCGA数据分析的时候样本名实际上只保留到前四个元素（以”-“分割），例如TCGA-A6-6650-01。所以实际上上示3个样本一般只保留一个，那该怎么取舍呢？

在取舍之前，当然要先搞清楚样本命名方式：

我们将此示图以”-“分割，具体拆开解读一下：

*  TCGA：Project, 所有TCGA样本名均以这个开头，标志
 *  A6：Tissue source site，组织来源编码，如A6就表示来源于Christiana Healthcare中心的结肠癌组织。更多编码所代表的意义详见：  
    [https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/tissue-source-site-codes][https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_tissue-source-site-codes]
 *  6650：Participant, 参与者编号
 *  01：Sample, 这两个数字可以说是最关键、最被大家注意的，其中编号01~09表示肿瘤，10~19表示正常对照，如下：  
    [https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/sample-type-codes][https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_sample-type-codes]  
    所以在TCGA样本名中，这个位置最常见的就是01和11，当然偶尔也会有其他的数字
 *  A：Vial, 在一系列患者组织中的顺序，绝大多数样本该位置编码都是A; 很少数的是B，表示福尔马林固定石蜡包埋组织，已被证明用于测序分析的效果不佳，所以不建议使用-01B的样本数据：

所以命名至此，已经可以开始用于区别不同的样本了，以下将是更细节的描述：

*  11：Portion, 同属于一个患者组织的不同部分的顺序编号，同一组织会分割为100-120mg的部分，分别使用
 *  R：Analyte, 分析的分子类型，对应关系如下所示：  
    [https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/portion-analyte-codes][https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_portion-analyte-codes]
 *  1774：Plate, 在一系列96孔板中的顺序，值大表示制板越晚
 *  07：Center, 测序或鉴定中心编码，更多编码详见：  
    [https://tcga-data.nci.nih.gov/datareports/codeTablesReport.htm?codeTable=center][https_tcga-data.nci.nih.gov_datareports_codeTablesReport.htm_codeTable_center]

一个借鉴的图片：  
![这里写图片描述][70]  
更多内容详见：  
[https://wiki.nci.nih.gov/display/TCGA/TCGA+barcode][https_wiki.nci.nih.gov_display_TCGA_TCGA_barcode]  
[http://docs.cavatica.org/docs/tcga-grch38-metadata][http_docs.cavatica.org_docs_tcga-grch38-metadata]

所以现在看这三个样本：

*  TCGA-A6-6650-01A-11R-1774-07
 *  TCGA-A6-6650-01A-11R-A278-07
 *  TCGA-A6-6650-01B-02R-A277-07

其区别就在于，前两个使用的是患者的冰冻组织做的测序，而第三个用的是福尔马林固定石蜡包埋组织；而前两个样本的区别在于同一组织后续使用了不同的96孔板。

理解了命名规则及三者命名上的主要区别后，现在可以重点解决如何从一个患者的多个样本中挑选样本的问题了，首先排除TCGA-A6-6650-01B-02R-A277-07，因为是-01B，福尔马林固定石蜡包埋组织！剩下的两个：

*  TCGA-A6-6650-01A-11R-1774-07
 *  TCGA-A6-6650-01A-11R-A278-07

先看看GDAC firehose遇到这种情况怎么解决，总结起来就是：

1、对RNA数据来说，Analyte为R的优先级最该，其次是R和T，而对于DNA层面的分析来说，D的优先级最高。  
2、如果Analyte相同，那就选择Portion和/或Plate值更大的。  
所以按照GDAC firehose的方法，最终保留TCGA-A6-6650-01A-11R-A278-07，因为其相对于TCGA-A6-6650-01A-11R-1774-07的板号(Plate)更晚：  
[https://github.com/BioinformaticsFMRP/TCGAbiolinks/issues/163][https_github.com_BioinformaticsFMRP_TCGAbiolinks_issues_163]  
虽然看起来可能这么选比较准确，但是稍微有些麻烦~

然后是cBioPortal中的处理方式：

随机选择了一个，理由很简单啊，来源于同一个患者的癌组织样本差别不大，小编随机测试了两个样本，表达相关性值是大于0.8的。

所以如果遇到需要选择的时候，就仁者见仁了，建议天秤座的小伙伴们也不要太纠结到底哪个最好，当然如果你有不同的意见和看法，欢迎交流讨论！

[https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_tissue-source-site-codes]: https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/tissue-source-site-codes
[https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_sample-type-codes]: https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/sample-type-codes
[https_gdc.cancer.gov_resources-tcga-users_tcga-code-tables_portion-analyte-codes]: https://gdc.cancer.gov/resources-tcga-users/tcga-code-tables/portion-analyte-codes
[https_tcga-data.nci.nih.gov_datareports_codeTablesReport.htm_codeTable_center]: https://tcga-data.nci.nih.gov/datareports/codeTablesReport.htm?codeTable=center
[70]: /images/20220521/234c9bc7ee564e13a3544359956a3326.png
[https_wiki.nci.nih.gov_display_TCGA_TCGA_barcode]: https://wiki.nci.nih.gov/display/TCGA/TCGA+barcode
[http_docs.cavatica.org_docs_tcga-grch38-metadata]: http://docs.cavatica.org/docs/tcga-grch38-metadata
[https_github.com_BioinformaticsFMRP_TCGAbiolinks_issues_163]: https://github.com/BioinformaticsFMRP/TCGAbiolinks/issues/163