以下是视频的word版本

数据下载及预处理

小编今天给大家介绍下常用数据库

TCGA数据库(https://cancergenome.nih.gov/)，是综合性的癌症基因信息数据库，不仅包含三十多种癌症类型，还包含了基因表达数据、miRNA表达数据、拷贝数变异、DNA甲基化、SNP等等数据类型，同时还包含了匹配的详细临床信息，这么多的信息非常适合数据挖掘。

下载方式常用的有两种：

一是通过官网及gdc-client工具下载和整合

二是TCGAbiolinks包进行下载，可以更简单的获得整理好的数据。

还有就是可以通过其他数据库下载整理好的TCGA数据，小编最常用的就是UCSC Xena（https://xenabrowser.net/datapages/），它包含了TCGA的基因/外显子表达、生存信息、DNA甲基化、拷贝数、SNP数据下载，尤其是临床信息整理的很全面用起来也很方便。

GEO数据库(https://www.ncbi.nlm.nih.gov/geo/)，收录了世界各国研究机构提交的高通量基因表达数据，不仅限于癌症还包含其他疾病相关的数据，在搜索框里可以输入GSE号或者关键字进行搜索。

数据通常包含标准化后的数据和原始数据，下载方式很简单，直接点击就可以下载。并且对于表达谱信息会提供GEO2R进行简单的差异分析。

ICGC数据库(https://dcc.icgc.org/)，涵盖了了亚洲、欧洲等17个行政区的89项目，包含50种不同癌症类型（或亚型）的肿瘤数据，其中包括基因表达数据，临床数据等。 

数据下载方式如下：

GTEx数据库（https://gtexportal.org/home/datasets），基因型-组织表达数据库，收录了来自449名生前健康的人类捐献者的7000多份尸检样本，包含了44个组织。可以用来联合TCGA数据进行数据挖掘。

下载方式需要选择版本号，并且根据自己的需要选择RNA-seq数据下载即可，同时需要下载样本的注释文件，根据其中位置等信息来提取相关的子集样本。

SEER数据库（https://seer.cancer.gov/）,存储了大量美国地区癌症患者的生存信息，包含患者ID,原发灶位置，肿瘤大小，治疗方案等详细的信息，这样的数据对临床研究具有较高的参考价值。

数据下载可以通过SEER*Stat Software进行下载，申请到用户名和密码后，配合注释文件在SEER*Stat Software软件中进行选择和导出即可。

 这五种数据库都是目前较为常用的，大家可以多多结合，进行自己的数据挖掘~

欢迎关注生信人

TCGA | 小工具 | 数据库 |组装| 注释 |   基因家族  |  Pvalue

基因预测  |bestorf |  sci | NAR | 在线工具 | 生存分析 | 热图

 生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos

 舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 |  进化 | 测序简史