可能是最适合初学者的TCGA官网下载和表达矩阵整理教程

“医学和生信笔记，专注R语言在临床医学中的使用、R语言数据分析和可视化。主要分享R语言做医学统计学、临床研究设计、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

这篇推文适合初学者看，大佬酌情阅读！不过这个方法确实挺不错的！

从打开网址开始教你一步一步的下载TCGA的数据，图文并茂，真的是详细的不能再详细了！

如果你看完了这篇还不会下载TCGA的数据，那不是你疯就是我疯！

对于初学者来说最难的部分不是下载，最难的主要有两个部分，第一个是下载时遇到的网络问题！其次是下载后的表达矩阵整理！

我为什么说最适合初学者，主要原因是：使用这个方法下载数据后，只要2行代码即可完成表达矩阵的整理，同时包括了count/fpkm/tmp 3种类型，自带gene symbol，并且自带详细的临床数据，不需要另外下载临床数据！

即使你的r语言不够熟练，依然能够顺利完成！

在下载TCGA数据之前，你可能需要一些背景知识，比如TCGA的33癌症简称和英文名，拷贝数变异、单核苷酸多态性、甲基化等的英文，建议自己百度下哦~

下面正式开始：

首先你要到这个网址：https://portal.gdc.cancer.gov/，进入下面这个界面，如果你打不开这个页面，那你的下载大概率也会有问题的，因为这个对网络有要求！

打开这个页面后，你需要选择你想要下载的东西，这个数据库下载东西逻辑是很清晰的，比如你想要下载TCGA的直肠癌的常规转录组的mRNA数据，首先你要点击Repository，下面箭头指的两个地方，任意点一个就行，都是一样的：

点完了之后会进入到这个界面:

这里你只要关注左侧这一栏的东西就好了，你现在的需求是下载TCGA的直肠癌的常规转录组的mRNA数据，所以你需要先找到TCGA的直肠癌，点击Cases。

重点来了！！！这里是决定你能不能用2行代码整理表达矩阵的关键！！

有的教程会让你在Primary Site中找到直肠癌，勾选它，像下图这样，但我建议你直接跳过这一步！！！

但是我建议你跳过上面这一步！！直接在Project里面选中TCGA-READ即可，不要在Primary Site中勾选任何东西！！

这样Cases这边的选项就选好了，其他东西就不用选了，比如Disease Type/Gender/Age at Diagnosis等等。

下一步就是到Files里面选择数据类型，你想要的转录组的的mRNA数据，所以先点击Files，然后在下面的Data Category里面选择transcriptome profiling，在Data Type里面选择Gene Expression Quantification：

OK，到这里你就选择好你想要的数据了：TCGA的直肠癌的常规转录组的mRNA数据，其他的都不用选了，你可以看到一共177个文件！

下一步，把你的所有数据添加到购物车，也就是点击右侧Add All Files to Cart，点完之后你的右上角购物车会出现数字，就像下面这样：

加入购物车之后，点击Cart，进入下面的下载界面，这个界面内容很多，比如167个cases，177个files，747.58M，还有各种下载选项，都给你标出来了。

此时，你点击Download，下面会出现Manifest和Cart的选项。

你如果选择Cart，会下载一个压缩包，里面就是你选择好的177个文件。

点击Cart会下载下图中标号1的文件，解压后得到标号2的文件，把2继续解压，就得到标号为3的文件夹：

打开这个文件夹，里面就是你的178个文件，因为多了一个Manifest文件。

如果你的网络不错，直接下载Cart其实是非常简单的方法，比如我这里177个文件，700多M，不到10分钟就下载完了！

下载完成后你如果需要手扒代码（初学者不推荐）整理成表达矩阵，那你还需要点击Metadata，下载一个metadata文件！

这个metadata是json格式的，里面记录着文件名和样本名的对应关系，手扒代码整理成表达矩阵需要这个文件，而我介绍的黑科技方法不需要这个文件！

如果你选择了Manifest，那么会下载一个manifest文件（这个文件内容和上面通过cart方式下载得到的MANIFEST文件内容完全一样）：

这个文件里面包含了你选择好的177个文件的信息，有了它，你就可以用GDC官方推荐的gdc client工具下载了，后面我们会说怎么用这个文件进行下载。

除此之外，你还可以在这个界面下载临床信息，点击Clinical，下载TSV格式的临床数据。我介绍的黑科技方法也不需要这一步！

其他的数据用处不大，可以不用下载。

下面说说如何用GDC官方推荐的gdc client工具进行下载。

首先，需要到gdc client的下载地址：https://gdc.cancer.gov/access-data/gdc-data-transfer-tool，下载这个软件，往下拉即可看到各个平台的版本：

左边的是命令行版本，右边是图形化界面，可以用鼠标点点点的那种！

我先给大家演示下点点点的版本，适合不会写代码的人！根据你的系统，下载合适的版本，比如我是Windows，我就下载了下面这个：

然后解压它，安装它，打开它，就会出现下面这个界面：

点击那个Select Manifest File，会让你选择你的manifest文件，也就是上一步下载的那个，选好之后会出现下面的界面：

稍等片刻，如果你的网络没问题就会变成下面这个界面，然后你点击右下角的Download就可以下载了（下载前你可以先设置下，见下一张图），下载过程会告诉你一共多少几个，下载中几个，失败几个，停止几个，完成几个等，非常清晰明了：

下载前可以先进行一些设置：比如更改你的保存路径，每次下载的大小，自动重连的次数等等，改好之后记得点击Save Settings：

都设置好之后，点击Download即可愉快的下载了！

如果有失败的，会在下面显示，直接选中继续下载即可：

下载完之后也是177个文件：

这个方法本质上和命令行版本的gdc client没有区别！

这个点点点的图形化界面真的太香了，这不比命令行版本的gdc client香多了么！Windows下还要命令行下载那么复杂的东西干啥？？

根据这个教程下载后，可以无缝衔接另一篇教程：只要2行代码即可整理成表达矩阵！

作为下载TCGA数据和提取表达矩阵之间的过渡，我建议你也看下这篇推文：TCGA官网下载的文件数量竟然和TCGAbiolinks不一致！

我觉得这个下载方法+表达矩阵提取方法对初学者是比较友好的，省掉了很多复杂的r语言操作！

TCGA的教程未完待续，后面我们也会说说怎么用gdc client的命令行进行下载，以及如何手扒代码整理成表达矩阵！

万里长城第一步，这才开始！