GEOTCGA数据是否需要标准化的问题

GEO中的Series Matrix File(s)通常是经过了标准化和对数转换的数据，但是不是所有的都是

可以通过boxplot函数观察一下样本表达丰度值的分布是否整齐进行判断

如果表达丰度的数值在50以内，通常是经过log2转化的。如果数字在几百几千，则是未经转化的。

芯片数据标准化：

对给定的基因组参考区域，计算比对上的read数，又称为raw count（RC）

aw count作为原始的read计数矩阵是一个绝对值，而绝对值的特点是基因长度、测序深度不同不可以比较。所以我们要进行标准化把count矩阵转变为相对值，去除基因长度、测序深度的影响，我们采用分析的

RPM (Reads per million mapped reads)：RPM方法：10^6标准化了测序深度的影响，但没有考虑转录本的长度的影响。

RPKM/FPKM方法：10 3标准化了基因长度的影响，10 6标准化了测序深度的影响。TCGA的数据分析多采用这种结果

TPM (Transcript per million)：TPM的计算方法也同RPKM/FPKM类似，TPM可以看作是RPKM/FPKM值的百分比。TPM实际上改进了RPKM/FPKM方法在跨样品间定量的不准确性。TPM的使用范围与RPKM/FPKM相同。

具体还可参考生信技能树老师此文

RNA-seq的counts值，RPM, RPKM, FPKM, TPM 的异同: >

答案就在 TCGA barcode ，样本标签描述了样本类型，是正常的还是异常的。还是对照组。比如胶质瘤RNAseq的bar code ，有174个样本类似于这个：

TCGA-06-0681-11A-41R-A36H-07

TCGA-06-0649-01B-01R-1849-01

第四个字段：11A和01B描述的就是样本类型，1-9是肿瘤，10-19是正常，20-29是对照。A 和 B 我也不知道啥意思。由于TCGA barcode 字段宽度是严格的。因此用substr就可提取

names=colnames(RNAseq_dat)

a=asnumeric(substr(names,14,15))

table(a)

可以看见数据中有5个是正常组织样本

----------------------

Xena 网站（网页链接)有整理好的TCGA数据，包括数据集和样本表格。样本表格数据详细，包含生存期，肿瘤分期分级，突变，亚型等等。

TCGA数据分析系列（一） (qqcom)

TCGA中数据类型主要有以下几种

mRNA：mRNA芯片或者RNA-Seq测得的mRNA表达量

microRNA：microRNA芯片或者microRNA-Seq测得的microRNA表达量

Clinical：病人的一般情况、诊治情况、生存情况、肿瘤分期等随访信息

Copy Number：SNP芯片得到的肿瘤组织比对正常组织的染色体上各片段的比值

Mutation：肿瘤组织测序结果相对参考基因组的核苷酸突变，包括插入和缺失等变化

Protein：蛋白芯片测序得到的约200种常见癌症相关蛋白的表达量

Methylation：甲基化芯片测得的DNA甲基化数据

Project：所有TCGA样本名均以这个开头

TSS: Tissue source site，组织来源编码

详见组织来源编码

Participant：参与者编号

Sample：其中编号01~09表示肿瘤，10~19表示正常对照，最常见的是01和11

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; 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B的样本数据

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

Analyte：分析的分子类型，对应关系如下所示

Plate：在一系列96孔板中的顺序，值大表示制板越晚

Center：测序或鉴定中心编码

以上就是关于GEO/TCGA数据是否需要标准化的问题全部的内容，包括:GEO/TCGA数据是否需要标准化的问题、TCGA数据库中含有的癌症名称，简写和中文名称、tcga数据库样本哪些是肿瘤哪些是正常等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！