首先需要自行根据我在生信技能树平台发布的系列教程来了解TCGA基础知识，需要至少14个小时的持续学习，目录见：TCGA基础知识传送门
如果需要视频讲解，欢迎购买我的网易云课程：https://study.163.com/course/introduction/1006067243.htm (如无必要，请勿购买，谢谢理解)
- 根据各种指标(某基因突变与否，肿瘤分期)把样本分组来比较感兴趣基因的表现（表达，突变，甲基化）情况。
- 使用统计学方法看某个感兴趣基因的重要性，比如生存分析，差异分析等等。
- 看某两个感兴趣基因的相关性，调控或者其它。
首先需要了解TCGA计划中的KIRC这个癌症背景知识，见PPT
然后需要通读我们本次实战所需要复现的文章：Integrated genomic analysis identifies subclasses and prognosis signatures of kidney cancer. 该文章并没有任何特殊之处，纯粹是举个例子，这样类似的文章多达3000篇。
通过文章我们了解到了实现一个TCGA数据挖掘的基本步骤：
- 下载对应的TCGA数据，主要是根据癌症种类选择6种数据，比如KIRC的clinical和miRNA数据，这里有8个数据中心供选择。
- 把病人队列分成训练集和测试集，然后可能需要在GEO数据库也同步查找可供挖掘数据
- 然后走一波统计分析，比如差异分析，生存分析，lasso回归，随机森林等等找到目标基因集
- 接着一波可视化说明找到的基因集具有明显的意义，包括森林图，热图，火山图等等
- 对最后的基因集计算得到预测风险的公式，还有可视化展现风险因子关联情况。
主要是针对TCGA的全部类型数据，包括：
- DNA Sequencing（包括全基因组和全外显子组的maf格式somatic突变数据）
- miRNA Sequencing （表达矩阵）
- Protein Expression（表达矩阵）
- mRNA Sequencing（测序的表达矩阵）
- Total RNA Sequencing（表达矩阵）
- Array-based Expression（芯片的表达矩阵）
- DNA Methylation （25/450/850K的甲基化芯片或者WGBS）
- Copy Number（主要是SNP6.0芯片，还有测序后计算的拷贝数变异情况）
首先可以使用maftools等工具来可视化全基因组和全外显子组的maf格式somatic突变数据，代码是：
多不胜数，简单列举如下：
-
涉及到的平台及产出的数据： https://tcga-data.nci.nih.gov/docs/publications/tcga/platformdesign.html
-
数据下载权限控制：https://tcga-data.nci.nih.gov/docs/publications/tcga/accesstiers.html
-
官网数据存放中心：https://portal.gdc.cancer.gov/
-
TCIA Collections http://www.cancerimagingarchive.net/
-
Human Protein Atlas (HPA) https://www.proteinatlas.org/pathology
-
GEO2R
-
基因甲基化和表达数据库MethHC: http://methhc.mbc.nctu.edu.tw/php/index.php
-
lncRNA功能研究神器：TANRIC数据库 http://ibl.mdanderson.org/tanric/_design/basic/index.html
-
TCGA可视化网站GEPIA ： http://gepia.cancer-pku.cn/detail.php#
-
免疫 The Cancer Immunome Atlas ：https://tcia.at/home
重点不是介绍这些网页工具的用法，如果真正理解了TCGA计划的前因后果以及数据规律，就很容易明白网页工具的设计逻辑，更重要的是可以合理利用网页工具，在它们的基础上面使用R语言做定制化的深度分析。