通过之前的文章，我们学习了生物信息学分析的大框架，即挑分子-圈功能--联关系-靠临床4个步骤，并以一篇论文为例，解读了生信分析的常见流程。

框架搭建好之后，就需要往里填充细节。

里面涉及到很多的知识点，包括如何找分子、数据从何下载、如何下载、数据如何处理、用什么统计分析方法、如何分析等问题。

没有相关知识基础的同学，很有可能望而却步，被眼花缭乱的数据挡在了生物信息学的门外。

但大家千万不要有畏难情绪。

知识点虽多，但只要你肯耐心学，跟着小编一步一步地复现分析步骤，即使没有数据分析的相关教育背景，也最终能搭建好一栋属于你自己的生物信息学建筑。

在此基础上，如果能有你自己的独特Idea、交叉学科的教育背景或过硬的写作素质作为点缀，也能够在生物信息学道路上给予他人启迪。

怕什么真理无穷，进一寸有一寸的欢喜。

那么，我们先开始为这栋建筑添砖加瓦吧。

本节小课堂，小编带大家一起学习，如何从cBioPortal数据库下载数据。

▽ 数据库介绍

大规模的癌症基因组计划，比如The cancergenome atlas（TCGA）and the Internationalcancer genome consortium（ICGC），正在从多技术平台产生更多的癌症基因组数据。

在获取数据的过程中，普遍存在以下问题：

1. 对于没有计算机背景知识的研究者来说，对这些癌症基因组数据的整合、分析越来越具有挑战性；

2. 临床医生无法做大样本量的临床研究，没有条件获得大量临床数据；

3. TCGA数据库的数据较大，下载耗时；且下载的数据常需代码处理，无代码技能的小伙伴有心无力；

4. 很多人想做科研，但没有条件，也不知道在哪里下载。

而cBioPortal数据库的设计，以友好的姿态，给大家提供无代码、易下载、现成的临床数据。

今天我们需要学习如何从cBioPortal数据库下载：

（1）基因表达谱和（2）临床数据。

基因表达谱数据可以用来表现某一个基因在某个癌种中的表达。比如UEB2C在甲状腺癌（THCA）中的基因表达谱。

临床数据就是常见的患者年龄、性别、生存时间、种族等信息。

这两类数据的整合，是以后做生存分析、预后分析等各类生信分析的基础。

从cBioPortal数据库下载数据有两种方法，都可以得到想要的数据。

方法一：获得某个基因在肿瘤中的表达数据，以及肿瘤患者的临床资料。

方法二：获得某个肿瘤中所有基因的表达数据（然后挑选出自己的研究基因），以及肿瘤患者的临床资料。

▽ 方法一

Step 1. 进入网站首页http://www.cbioportal.org/，可以看到有很多不同肿瘤患者的数据集可以选择；也可以在红色方框内输入自己感兴趣的癌种，进行快速检索。

以乳腺癌（Breast Cancer）为例，搜索框输入“Breast Cancer”后回车检索，会出现许多不同来源的数据集。

△我们所需要的是来自于TCGA数据库的数据，因此可选择框1内标有TCGA字样的数据集。

再进一步筛选。框2内有不同的数值，代表该数据集里有多少个肿瘤样本。

数据库中的样本是随着时间更新的，因此样本量大的，时间就越近，样本数据也就最新。

一般情况下，我们常需要选择样本量较大的数据集进行后续分析，这就与统计分析的效能、结果可信度、以及结果外推有关啦。

Step 2. 接下来我们以基因BUB1B和甲状腺癌为例，获取基因表达数据。

搜索框输入THCA，选择感兴趣的数据集，点击query by gene。

来到如下界面。

其中框1处为mRNA表达数据选项，默认状态下为未选中状态，需勾选。框2处输入某个癌种的基因名。此处输入BUB1B基因，点击Submit，出现如下检索结果。

检索结果中，带有mRNA字样的文件是BUB1B基因在甲状腺癌中的表达数据。

其中，数据集1为未经过标准化处理的原始数据，离散程度较大；若以此数据作图，数据的分布会较为离散，且统计分析方法有待探讨。

而数据集2是在数据集1的基础上，对数据集做了log转换之后经标准化得出的数值，所有数据全部集中在一个范围，离散程度小，统计分析时可利用本身数据。（如下图）

（未经标准化的数值）（标准化之后的数值）

因此，我们一般下载带有z-scores字样的、经过标准化处理后的数据集2。点击Tab Delimited下载。

此时下载的为txt文本格式的数据集，需右键→打开方式→用excel打开，或者直接将txt文本拖到已经打开的excel表格中。

到这一步，已经完成了基因表达谱的下载。

Step 3.接下来需要下载临床数据。

回到首页，搜索框输入感兴趣癌种（本例中为THCA），选择所需要的数据集，点击Explore Selected Studies。

来到如下界面，选择Clinical data。

本界面中，columns一栏是患者的临床特征数据，常见的有年龄、性别、种族等等，可根据所需要的信息，勾选相应的条目。1处各项目与2处各横标目一一对应。

本例中我们选择默认状态下的勾选条目，点击小箭头下载。

下载后的文件同样地为txt文本，也需要调整为excel格式。

至此数据整合需要的两个数据集（基因表达谱+临床数据clinical data）已经下载完毕。接下来需以clinical data表格为基准，将基因表达谱表格整合到clinical data表格里，完成最终的数据分析表格。

Step 4. 整合前述步骤中下载的两个表格。

步骤如下：（1）为了方便，先将基因表达谱表格中的Sample ID列和基因名列复制到临床数据表格的子表格中，使两个目标表格放置在同一个excel文档中。

（2）在clinical data表格里新建一个子表格，将上一步复制的内容粘贴进去。

可以看到，两个表格的共同点是都有一栏Sample ID。因此，我们将以Sample ID为精准匹配条件，将两个表格中的数据合并至一个表格中。

此处，我们将把sheet1中的表达数据匹配至clinical data的表格中。

（3） 在Clinical表格的Sample ID右侧插入列，以便放置提取的基因表达数据。

（4）选中放置基因表达数据那一列的初始栏，插入VLOOKUP函数。

（5）填写数值。

1处填写的是需要用哪一列作为查找的匹配条件。本数据是用共同的Sample ID作为匹配条件，因此此处选择C2，用鼠标点击C2格或者直接输入C2均可；2处填写的是匹配数据所需要的查找范围。本文是要通过sample ID查找sheet1中的表达数据，因此点击sheet1，选中Sample ID和基因表达数值的两列表格（如下图）。此时函数中会自动填写刚刚所选择的范围，即子表格Sheet 1中的A、B两列。

3处需要填写的是，需要提取到临床数据表格的数据在步骤2已选择范围中的哪一列。本文需要提取的表达数据在第2列，因此此处填写2即可；4处需要定义的是精确匹配（0）还是模糊匹配（1）。本文需要精确匹配，将两个表格中sample ID完全一致的表达数据提取到clinical data表格，因此此处填写0。

（6）点击确定之后，已经匹配到第一个Sample ID的数据。

双击该框右下角处，该列所有数据都会自动生成。显示为N/A的，意为在sheet1中没有查询到clinical data表格中这个ID的表达值。

生成数据之后，此列数据为带格式数据，在移动整理的过程中可能会出现格式错误，建议将该列数据复制，在旁插入新的一列，以纯文本格式粘贴到新生成的列中使用。（7）匹配完成的数据里，需要将该列显示N/A的所有对应Sample ID全部删除。

这一步的意义在于：以后所做的所有分析都是基于基因表达数据，若某个患者的Sample ID没有表达谱数据（N/A），即使它有其他的临床数据，对于我们以后要做的生信分析也没有帮助。

删除方法如下：选中该列数据→筛选→取消全选→单独选中N/A的数据→确定

此时表格里显示的全都是数值为N/A的Sample ID栏，需删除所有数据。

（备注：①其他列里的N/A可以不用删除，是因为做生存分析、预后分析等，软件可以自动识别N/A情况；分析中，也可将所有列中出现NA的样本全部删除，但这样处理后样本量会很少，可能达不到分析需要的大样本要求；实际分析中可自行选择不同的处理方法。）

以上我们学习了基因表达谱、临床数据两个数据集的下载。

也学习了怎样将两个数据集通过共同的Sample ID元素匹配到一起。

至此，我们得到的，已经是一个含有甲状腺癌患者临床数据、以及BUB1B基因表达数据的总表。

接下来，就可以用这张表做相关分析啦，比如生存分析、ROC分析、logistic回归等等。

▽ 方法二

上面我们介绍了获取两个数据集的方法一，

接下来学习下载数据的第二种方法。

两者的区别在于，前者是直接下载某个基因在癌种中的表达。比如BUB1B在甲状腺癌中的表达情况。

后者可下载与某个癌种相关的所有基因表达情况，数据下载之后，我们需要进一步筛选目标基因。

Step 1. 同样进入网站首页http://www.cbioportal.org/，点击Data Sets。

Step 2. 来如下界面。

框1处填写癌种名，比如Breast cancer，Thyroid cancer等。框2处是该数据集中具有表达数据的样本量。一般选择样本量较大的数据集。

Step 3.本文以甲状腺癌为例，下载带有TCGA字样的、可用数据量最大的数据集。

点击中间小箭头下载。

Step 4.此时下载的是一个数据包。解压打开后，找到可用数据。

其中，文件1为患者的临床数据。文件2和3为癌种的基因表达数据。2是方法一中提到的，未经标准化的基因表达数据。带有Z-score字样的3，为经过标准化处理后的数据。因此我们需要用到的是1和3，将其转化成excel格式。

Step 5.基因表达数据表格（带有Z-score字样的data RNA数据表格）打开后，呈现出与该癌种相关的所有基因表达，此时我们需要筛选目标基因。本文以基因BUB1B为例。

筛选方法：点击1处，选中该横栏，再点击2处进行筛选。

接着找到1处基因列，点击右侧下拉箭头。在2处文本框中输入基因名。

Step 6. 下图呈现的是经过筛选之后的数据，只留下横标题栏和目标基因栏。

由于此时的数据是横向摆放的，我们需要进行转置操作。（横向转竖向）

方法如下：先将这两列数据复制到临床数据表格clinical data中，如方法一中提到的，在clinical data中新建一个子表格，以放置基因表达数据。

在新建的子表格中，点击鼠标右键，粘贴选项里选择“转置”粘贴。

此时我们得到的，就是竖向排列的、基因BUB1B的表达谱数据。

Step 7.相信大家已经注意到，基因表达谱中的ID号与临床数据表格里的ID号有些许差异。

(基因表达谱ID)（临床数据表ID）

因此我们需要对ID号进行处理，使其一致，方便后续匹配数据。

处理方法如下：以clinicaldata表格为基准，修改clinical data表格里的PatientID，加入-01字样。首先，在PatientID右侧插入新列，单击选中新列的初始栏，插入函数：=B2& ”-01”

其中，B2表示源数据所在位置，即B列里的“TCGA-4C-A93U”所在位置；&表示加号；文本内容需添加在””内，注意双引号需在英文状态下输入；-01表示添加的文本具体内容。

回车键入函数，生成如下内容，单击右下角方框，将该函数适用到该列的所有栏。

需要注意的是，虽然我们这时将clinical data中的所有Patient ID后都加入了“-01”，同时，我们浏览基因表达谱的所有Sample时，会发现几乎所有的Sample ID后缀都是“-01”，但仍有少数几个Sample ID的后缀是“02”或“06”，我们先可以不去管它。按照正常步骤，将基因表达谱的数据匹配到clinical data中来。之后单独核实特殊ID号的数据。

Step 8. 打开clinical data表格，开始匹配数据。

clinical data打开后，可以将前4行无用信息删除。

接下来的步骤与方法一中的操作大致相同：

在Clinical data表中的Patient ID右侧插入列，用于放置基因表达数据→插入VLOOKUP函数→填写数值→生成匹配数据→在右侧新建一列，将之前匹配的数据复制，纯文本格式粘贴到新列中，删除旧列→完成。

看到这里，相信大家已经学会用不同的方法获取基因表达谱数据和临床数据，并将两类数据通过相同的Sample ID元素整合到同一个表格里，为后续的数据分析奠定基础啦。

大家可以选取自己感兴趣的基因，开始练习获取数据了。

如果喜欢更多的生物信息学和组学文章，欢迎搜索并关注我的微信公众号“SAM医学中心”

有关数据下载、数据处理、制作结果图等问题，都会陆续更新~