信息速览
TCGA Pan-Cancer Atlas，中文常称泛癌图谱，是美国国家癌症研究所与国家人类基因组研究所在 TCGA 项目收尾阶段启动的整合分析计划。它把 TCGA 三十三个独立立项的癌种项目放在同一套算法与同一套阈值下重算，产出一份约一万一千例肿瘤、可跨癌种直接比较的分析层，并以二十七篇论文的形式在 2018 年 4 月集中发表。
它的分量不在于"又多了多少数据"。TCGA 的原始数据早已在门户上，单癌种的测序读段与处理结果一直都在。它补上的是另一件事：让乳腺癌的突变表与肺癌的突变表按同一种方式调用、同一种方式过滤、同一种方式定义生存终点，从而第一次可以问"这个通路在三十三个癌种里到底是怎么变的"这类问题。为此它付出的代价是放弃广度——交付物只有十五个汇总文件，没有一张切片，没有一段读段。
理解这份资源的关键是分清三层：它是什么（一组可比矩阵，而不是一座仓库）、它怎么组织（清单加 UUID，而不是项目页加病例树）、它的边界在哪（2018 年定版，覆盖分析层不覆盖原始层）。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | The Cancer Genome Atlas Pan-Cancer Atlas（缩写 PanCanAtlas） |
| 中文常用名 | 泛癌图谱、TCGA 泛癌计划 |
| 发起机构 | 美国国家癌症研究所（NCI）与国家人类基因组研究所（NHGRI） |
| 启动与定版 | 2014 年前后启动整合，2018 年 4 月 5 日集中发表并冻结数据 |
| 癌种范围 | 33 个 TCGA 癌种项目全覆盖 |
| 分析样本量 | 约一万一千例肿瘤；各平台分母不同，最低的 RPPA 层为 7,858 例 |
| 论文规模 | 27 篇，分属 Cell、Cell Reports、Cancer Cell、Cell Systems、Immunity 五种期刊 |
| 交付文件 | 15 个：开放层 14 个、受控层 1 个 |
| 交付体积 | 合计约 50 GB（十进制），约 46.7 GiB |
| 最大单文件 | 450K 甲基化 beta 矩阵，约 41.5 GB |
| 数据性质 | 分析级汇总矩阵，非原始测序、非影像 |
| 组织单位 | 样本 barcode 与患者 barcode，十二位前缀为患者键 |
| GDC 项目编号 | 无。项目接口查 TCGA-PANCAN 返回 not found |
| 访问方式 | 出版物页取清单，按 UUID 直接下载；受控层需 dbGaP 授权加令牌 |
| 许可 | 开放层免注册，遵循 TCGA 数据使用协议与致谢要求 |
| 主论文 | Hoadley 等，Cell 173(2):291–304，2018，DOI 10.1016/j.cell.2018.03.022 |
§1 它要解决的具体麻烦
1.1 一句话结论：它解决的是「三十三个项目能否放进同一张表」的问题
TCGA 不是一个项目，是三十三个。每个癌种独立立项、独立采样、独立发表，连变异调用都用各自批次的流程版本。这在单癌种研究里没问题，一旦要跨癌种就容易出事故：同一个基因在乳腺癌的 MAF 里是 A 类过滤标记，在肺腺癌的 MAF 里可能压根没进表；同一位患者的生存时间在两个癌种的随访表里可能一个按死亡日算、一个按末次接触日算。直接 rbind 三十三张表，得到的是一张看着整齐、实际上不可比的表。
PanCanAtlas 就是为消除这类不可比而建的。它的做法不是重新采样，而是把已有数据拉回同一条流水线：突变统一走七路调用器集成，纯度统一用 ABSOLUTE 推断，表达统一做批次校正，生存终点统一按四个标准终点重算，亚型统一在五个平台上联合聚类。做完之后，三十三个癌种第一次有了共同的坐标系。
这也决定了它的形态。它不是一座仓库，是一组分析结果——十五个文件、约五十 GB，一次下完就能开工。凡是需要回到读段层面的工作，它都不承接。
| 你想问的问题 | 需要什么 | 它够不够 |
|---|---|---|
| 某个通路在三十三癌种里的改变谱 | 统一调用的突变、拷贝数与表达 | 够，这是它的主场 |
| 两个癌种的生存曲线能否直接比 | 统一重算的终点 | 够，CDR 就是为此做的 |
| 某个癌种的原始读段质量 | FASTQ 或 BAM | 不够，须回单癌种项目 |
| 肿瘤纯度校正后的等位基因频率 | ABSOLUTE 注释突变表 | 部分够，该表在受控层 |
| 病理切片与分子的配对建模 | 全片图像加坐标 | 不够，一层图像都没有 |
| 新队列能否映射到 TCGA 亚型 | 稳定的亚型定义与特征集 | 够，但要用论文给出的特征集而非聚类标签 |
1.2 三条常见的错误期待
第一条，把它当成"TCGA 的第四十四个项目"。搜索时输入 TCGA-PANCAN 会落空，门户里也没有它的病例计数与文件统计。它的身份是"出版物配套数据"，与项目是两个体系，这一点在 §3.1 展开。
第二条，把它当成"全量数据的超集"。恰恰相反，它是子集：只保留分析所需的结果矩阵，把读段、比对、原始强度全部剥离。想要"更全"，应该去单癌种项目，而不是这里。
第三条，把它当成"一份可以直接喂模型的干净表"。十五个文件里有七个是矩阵、三个是注释表、两个是压缩包、一个是 Excel、一个是清单，行与列的含义各不相同，样本集合也不一致。所谓"干净"只在单文件内部成立，跨文件仍需自己做交集。
| 常见期待 | 实际情况 | 后果 |
|---|---|---|
| 「这是 TCGA 的总项目」 | 无项目编号、无病例树 | 按项目查会一无所获 |
| 「这里的数据最全」 | 只有汇总层，无原始层 | 需要重跑管线时被迫返工 |
| 「十五个文件样本一致」 | 各文件分母从不足八千到一万余不等 | 不做交集就报错或错配 |
| 「2018 年定版等于最新」 | 上游管线仍在迭代 | 与当前门户数值对不上 |
1.3 它能给到的与给不到的
给得到的第一样是可比性。三十三个癌种的突变事件被压进同一套过滤规则，于是"某基因在泛癌中的突变率"这种表述第一次有明确含义。给得到的第二样是统一终点，TCGA-CDR 把总生存、无进展间期、无病间期、疾病特异生存四个终点按一套规则算好，省去每个课题组各自解读随访字段的麻烦。给得到的第三样是跨平台联合分型，iCluster 把五个平台的聚类结果叠在一起，给出跨癌种的样本分组。
给不到的第一样是深度。矩阵是汇总后的，看不到某个位点的原始覆盖度，也看不到某个样本的比对质量。给不到的第二样是模态广度：没有影像、没有数字病理、没有单细胞、没有空间转录组。给不到的第三样是时间新鲜度：定版之后 TCGA 上游管线仍在更新，样本注释也有修订，这份数据停留在 2018 年的状态。
| 能力 | 具体内容 | 限制 |
|---|---|---|
| 跨癌种突变比较 | 七路集成的单一 MAF | 只到 PASS 变异，无原始深度 |
| 跨癌种分型 | iCluster 联合聚类标签 | 标签不可外推到新样本 |
| 生存分析 | 四个统一终点 | 终点定义固定，不能自定义 |
| 通路水平推断 | PARADIGM 推断通路活性 | 依赖先验网络，非测量值 |
| 免疫与微环境 | 白细胞比例、免疫亚型 | 由甲基化与表达推断，非直接测量 |
| 药物靶点探索 | 通路与驱动事件联合视图 | 无药敏数据，无临床试验结局 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 |
|---|---|
| 手上有三十三个癌种的表达矩阵，想放在一张图里 | 直接用批次校正后的单一矩阵，省掉自己对齐 |
| 审稿人问"这个发现在其他癌种成立吗" | 用同一套调用结果做跨癌种验证，口径一致 |
| 想比较两个癌种的生存差异，又怕终点定义不同 | 用 CDR 的四个标准终点，定义写在表头 |
| 做免疫微环境与预后的关系 | 白细胞比例、免疫亚型、干细胞指数都在同一层 |
| 想找某个通路的泛癌改变模式 | 突变、拷贝数、表达、通路推断四层可叠 |
| 需要一个稳定的基线来对照新队列 | 2018 年冻结版最适合当参照系 |
1.5 不适合谁：四条边界
如果需求是"拿到某位患者的原始测序读段做重比对"，这里给不了，去对应癌种项目按 data_category 取，体量在数百 TB 量级。
如果需求是"训练一个影像诊断模型"，这里给不了，一层图像都没有。TCGA 的影像在 TCIA 的独立集合里，与这三十三个项目只是部分重叠，不能按 barcode 直接连。
如果需求是"做单癌种的极致精细分析"，这里也未必合适。单癌种项目的 harmonized 版本更新更晚、覆盖更全、临床字段更细，泛癌层为了可比牺牲了颗粒度。
如果需求是"追踪 2020 年之后的新样本或新疗法结局"，这里不行，采样年代基本在靶向治疗普及之前，免疫检查点抑制剂的暴露几乎为零。
§2 数据构成与规格
2.1 十五个文件：交付物就是全部
PanCanAtlas 的数据交付非常克制。开放层清单十四个文件，受控层清单一个文件，合计十五个，总量约五十 GB。这与单癌种项目动辄数百 TB 形成鲜明对照——不是因为它更重要，而是因为它只交付结果，不交付过程。
| 文件 | 内容 | 体积 |
|---|---|---|
| EBPlusPlusAdjustPANCAN_IlluminaHiSeq_RNASeqV2.geneExp.tsv | 批次校正后的基因级表达矩阵 | 1.88 GB |
| jhu-usc.edu_PANCAN_HumanMethylation450.betaValue_whitelisted.tsv | 450K 甲基化 beta 值 | 41.5 GB |
| jhu-usc.edu_PANCAN_merged_HumanMethylation27_HumanMethylation450.betaValue_whitelisted.tsv | 27K 与 450K 合并 beta 值 | 5.0 GB |
| mc3.v0.2.8.PUBLIC.maf.gz | 七路集成的公共体细胞突变表 | 753 MB |
| TCGA_mastercalls.abs_segtabs.fixed.txt | ABSOLUTE 校正的拷贝数分段 | 253 MB |
| broad.mit.edu_PANCAN_Genome_Wide_SNP_6_whitelisted.seg | SNP6 阵列原始分段 | 166 MB |
| merge_merged_reals.tar.gz | PARADIGM 推断通路活性矩阵 | 389 MB |
| clinical_PANCAN_patient_with_followup.tsv | 患者级临床与随访长表 | 18.6 MB |
| TCGA-CDR-SupplementalTableS1.xlsx | 统一重算的四个生存终点 | 2.9 MB |
| TCGA-RPPA-pancan-clean.txt | 蛋白与磷蛋白丰度 | 18.9 MB |
| pancanMiRs_EBadjOnProtocolPlatformWithoutRepsWithUnCorrectMiRs_08_04_16.csv | 批次校正 miRNA 表达 | 67 MB |
| PanCanAtlas_miRNA_sample_information_list.txt | miRNA 样本对照表 | 553 KB |
| merged_sample_quality_annotations.tsv | 样本级质量与批次注释 | 8.5 MB |
| TCGA_mastercalls.abs_tables_JSedit.fixed.txt | 肿瘤纯度与倍体 | 902 KB |
| TCGA_consolidated.abs_mafs_truncated.fixed.txt.gz | ABSOLUTE 注释突变表（受控） | 1.20 GB |
十四个开放文件里，四个是矩阵（表达、两份甲基化、miRNA），三个是变异与拷贝数（MC3、两份分段），两个是临床（长表与 CDR），两个是蛋白与通路，三个是注释与对照表。这个构成说明了一件事：它按"分析动作"打包，而不是按"数据类型"打包。想做差异表达，取第一个；想做突变负荷，取第四个；想做生存，取第八个。
2.2 两份清单与各自的下载逻辑
开放层与受控层分属两份清单，格式相同，都是四列的制表符文本：UUID、文件名、md5、字节数。这个格式与美国国家癌症研究所数据门户的数据传输工具兼容，可以直接喂给命令行工具批量下载。
清单本身很小，几十行，但它承担了索引的职责。没有清单，你面对的是十五个孤立的 UUID；有了清单，可以按文件名挑、按大小排序、按 md5 校验。这份清单也解释了为什么它不需要项目页——清单就是它的项目页。
受控层只有一个文件：ABSOLUTE 注释后的突变表。这个安排值得注意：纯度与倍体表是开放的，拷贝数分段是开放的，唯独带绝对拷贝数与校正等位基因频率的那张突变表是受控的。也就是说，开放层能告诉你"这个样本的肿瘤纯度是 0.62"，但不能告诉你"这个位点的校正后细胞分数是多少"。
2.3 矩阵的形状：行与列分别是什么
七份矩阵的朝向并不统一，混用时会吃暗亏。
表达矩阵是"行基因、列样本"，第一列是基因符号，表头是样本 barcode。甲基化矩阵同样是"行探针、列样本"。miRNA 矩阵也是行特征、列样本。RPPA 是"行蛋白、列样本"，但只覆盖 216 种蛋白与磷蛋白。PARADIGM 是压缩包，解出后按通路节点与样本组织。
突变表相反，是长表：一行一个变异，列为基因、染色体位置、参考与替代碱基、样本 barcode、过滤标记与功能注释。临床表也是长表：一行一位患者，列为字段名。质量注释表是长表，一行一个等分样。
| 文件族 | 朝向 | 行是什么 | 列是什么 |
|---|---|---|---|
| 表达 / 甲基化 / miRNA / RPPA | 宽表 | 基因、探针、miRNA 或蛋白 | 样本 barcode |
| MC3 突变表 | 长表 | 一个变异 | 基因、位置、样本、过滤标记 |
| 拷贝数分段 | 长表 | 一个分段区间 | 样本、染色体、起止、拷贝数 |
| 临床与 CDR | 长表 | 一位患者 | 字段 |
| 通路推断 | 宽表（压缩） | 通路节点 | 样本 |
混用事故的典型形态是把宽表当长表读，或者把样本 barcode 当患者 barcode 用。前者会得到一行几十万列的怪异表，后者会让同一位患者的多个样本被算成多个人。
2.4 一条记录怎么读
以 MC3 突变表的一行为例。它至少携带四组信息：变异本身（染色体、位置、参考与替代碱基）、所在基因与转录本、样本标识、以及过滤结论。样本标识是十五位的 barcode，前十二位是患者，中间两位是样本类型，最后三位是等分样与测序批次。
这十二位前缀是整份资源的连接键。表达矩阵的列名、甲基化矩阵的列名、临床表的患者列，都能截出同样的十二位。所谓"把七层接起来"，本质就是按这十二位做集合运算，而不是查外键。
| 字段组 | 回答什么 | 注意事项 |
|---|---|---|
| 变异定位 | 变在哪 | 坐标基于特定参考基因组版本 |
| 基因与转录本 | 影响哪个转录本 | 同一基因可有多个转录本注释 |
| 样本标识 | 属于谁 | 十五位 barcode，十二位为患者 |
| 过滤结论 | 是否采信 | 公共版只保留 PASS |
| 功能注释 | 后果预测 | 属预测，非实验验证 |
2.5 二十七篇论文的三分法
论文不是一个平面集合，而是三类：细胞起源模式、致癌过程、致癌通路。每一类有一篇发在 Cell 的锚点论文，其余为分布在 Cell Reports、Cancer Cell、Cell Systems 与 Immunity 的配套论文。
| 类别 | 回答的问题 | 锚点论文所在 |
|---|---|---|
| 细胞起源模式 | 组织来源是否主导分子分型 | Cell |
| 致癌过程 | 突变、拷贝数、甲基化、免疫如何共同推动肿瘤 | Cell |
| 致癌通路 | 十条信号通路在各癌种如何改变 | Cell |
这个三分法对使用者的实际意义是：找数据看交付清单，找定义看锚点论文，找具体子话题（可变剪接、生殖系变异、干细胞指数、空间免疫）看配套论文。三类论文的补充表往往比交付文件更细，尤其是通路与免疫相关的中间结果。
2.6 与单癌种项目在结构上的差别
单癌种项目的结构是一棵树：项目下有病例，病例下有样本，样本下有等分样，等分样下有文件。泛癌层没有这棵树，只有并行的矩阵与长表。
| 维度 | 单癌种项目 | 泛癌层 |
|---|---|---|
| 顶层单位 | 项目 | 无，靠清单 |
| 病例计数 | 有官方计数 | 无官方计数 |
| 文件粒度 | 每个样本多个文件 | 每个数据层一个汇总文件 |
| 体积 | 数十至数百 TB | 约 50 GB |
| 更新 | 随管线迭代 | 2018 年冻结 |
| 用途 | 单癌种精细分析 | 跨癌种可比分析 |
这个差别决定了两者的关系不是替代，而是分层：原始与处理层在项目侧，可比与汇总层在泛癌侧。任何跨癌种研究都应当先想清楚自己要哪一层。
§3 核心层 A：身份、规模与边界
3.1 它在 TCGA 里的坐标：不是项目，是出版物配套数据
这一点必须放在最前面。用项目接口查询 TCGA-PANCAN，返回的是 not found；门户的项目列表里也没有它的一行。它挂在出版物配套数据体系下，页面标题写的是"TCGA - PanCanAtlas Publications"，正文给的是两份清单与一组补充文件链接。
后果有三条。第一，没有官方的病例计数与文件计数，任何"PanCanAtlas 有多少例"的说法都来自论文而不是项目页。第二，不能按项目筛选下载，只能按清单里的 UUID 逐个取。第三，它的版本不由门户管理，而由文件名里的版本号固定，例如突变表的 mc3.v0.2.8。
理解这一点，就不会再去找它的项目页，也不会拿它的样本数与某个癌种项目的病例数直接相减。
3.2 三十三个癌种与它们的缺口
三十三个癌种覆盖了 TCGA 立项的全部范围，从常见的乳腺、肺、结直肠、前列腺，到样本量很小的肾上腺皮质癌、胆管癌、胸腺瘤、间皮瘤。泛癌层的意义正来自这种跨度：小癌种单独立项时样本量不足以支撑分型，放进泛癌框架后可以借用其他癌种的模式做对照。
但覆盖不等于均质。三十三个癌种里，一部分在五个平台上都有一千例以上的规模，一部分只有几十例，个别癌种在 RPPA 层只有个位数。这就带来一个实践问题：泛癌层面的"平均效应"往往由样本量大的癌种主导，小癌种的信号容易被淹没。
| 分层 | 特征 | 使用时注意 |
|---|---|---|
| 大癌种 | 五平台齐备，样本数百至上千 | 可单独做分型与验证 |
| 中等癌种 | 部分平台缺失，样本一百上下 | 需在泛癌框架内借力 |
| 小癌种 | 仅少数平台，样本数十 | 结论只能作假设 |
3.3 四个口径：11,000、10,000、11,428 与各平台分母
这是最容易踩坑的地方，必须写清楚。
Cell 的编者按写的是"over 11,000 tumors from 33 of the most prevalent forms of cancer"。Hoadley 主论文的摘要写的是"approximately 10,000 specimens and representing 33 types of cancer"。同一篇论文的图注又给出更细的分母：非整倍性聚类用了 10,522 例，甲基化聚类 10,814 例，mRNA 聚类 10,165 例，miRNA 聚类 10,170 例，RPPA 只有 7,858 例且只覆盖三十二个癌种。再往外一层，TCGA 计划在门户上的全量是 11,428 例，这是三十三个项目的病例总和，包含没有进入任何泛癌分析的部分。
四个数字各有各的分母：一万一千是项目总量的口语化表述，一万是摘要的取整，一万零几百是某一平台的有效样本，一万一千四百二十八是门户全量。它们都不是错的，混用才是错的。
需要特别说明的是，公开资料里流传的"一万二千例"没有官方依据。门户全量是一万一千四百二十八，泛癌分析口径在一万上下，两者都到不了两万的门槛。
3.4 与单癌种词条的分工
库内已有若干单癌种词条，它们的职责是回答"这个癌种里有什么、怎么取"。泛癌层的职责是回答"跨癌种可比的那一层在哪"。两者不是详略关系，是不同的问题。
一条可操作的判断规则：如果研究问题的主语是某一个癌种，用单癌种项目；如果主语是"癌种之间"或"某个通路"，用泛癌层。若两者都要，先取泛癌层的矩阵做发现，再回单癌种项目补细节。
| 场景 | 该用哪一层 | 理由 |
|---|---|---|
| 乳腺癌亚型复现 | 单癌种项目 | 论文队列与字段在该项目内 |
| 三十三癌种突变负荷比较 | 泛癌层 | 只有这里统一调用 |
| 某癌种的切片与分子配对 | 单癌种项目 | 泛癌层无图像 |
| 跨癌种生存差异 | 泛癌层 | CDR 统一终点 |
| 某癌种最新 harmonized 变异 | 单癌种项目 | 泛癌层停在 2018 |
3.5 时间线与版本冻结
上游采集期约在 2006 到 2013 年，整合分析在 2014 年前后启动，2018 年 4 月 5 日集中发表并同时冻结数据。文件名里的版本号是冻结的证据：mc3.v0.2.8 表示 MC3 流程的第八次小版本，日期后缀 08_04_16 出现在 miRNA 文件名里，指向 2016 年 8 月 4 日的一次重算。
冻结带来两种后果。好的一面是可复现：任何人今天下载，拿到的字节与 2018 年一致，md5 可校验。坏的一面是与门户脱节：门户的处理结果在 2018 年之后仍在更新，同一位患者的同一份 MAF 在两边可能不同。做跨年份对比时，必须记录用的是哪一层。
3.6 许可与访问边界
开放层的十四个文件免注册，直接按 UUID 下载，遵循 TCGA 的数据使用协议与致谢要求。受控层的一个文件需要 dbGaP 授权与应用编号，下载时附带令牌。
许可的边界不在"能不能用"，而在"能不能再分发"与"要不要声明"。衍生的统计结果可以发表，原始个体级数据不宜二次分发，使用时应按 TCGA 的惯例在方法或致谢中说明数据来源与获取日期。
3.7 明确不包含什么
不含原始测序读段、比对文件与原始强度文件。不含数字病理切片与任何放射影像。不含单细胞、空间组学、蛋白组学的质谱原始谱图。不含药敏与临床试验结局。不含病例级的完整元数据——只有患者级临床长表与样本级质量注释两张表。
这条清单比"包含什么"更能界定它的用途。它是一份为跨癌种比较准备好的分析层，不是一个可以替代门户的数据仓库。
§4 核心层 B：六个数据层
4.1 突变层：MC3 的七路会诊
MC3 是 Multi-Center Mutation Calling in Multiple Cancers 的缩写，做法是把同一批外显子数据交给七套调用器：MuTect、MuSE、VarScan2、Radia、Pindel、SomaticSniper、Indelocator。七套结果合并后统一打分、统一过滤伪影，最后产出一份约三百五十万个体细胞变异的表。
七路会诊解决的是单调用器的系统性偏倚。不同调用器对低等位基因频率、对插入缺失、对重复序列区域的敏感度差异很大，取交集会漏，取并集会脏，所以走的是打分加阈值的中间路线。代价是流程复杂、复现门槛高，好处是跨癌种的一致性。
公共版与受控版的差别在于过滤严格程度：公共版只保留 PASS 变异，受控版保留全部并附 ABSOLUTE 的校正信息。做突变负荷统计时优先用公共版，做亚克隆结构或等位基因特异性分析时必须用受控版。
| 属性 | 公共版 | 受控版 |
|---|---|---|
| 文件名 | mc3.v0.2.8.PUBLIC.maf.gz | TCGA_consolidated.abs_mafs_truncated.fixed.txt.gz |
| 体积 | 753 MB | 1.20 GB |
| 变异范围 | 仅 PASS | 含未通过过滤者 |
| 纯度校正 | 无 | 有 |
| 访问 | 免注册 | dbGaP 授权 |
4.2 拷贝数与纯度：ABSOLUTE 的两张开放表与一张受控表
ABSOLUTE 的作用是从分段拷贝数与局部等位基因频率反推肿瘤纯度、倍体与每个片段的绝对拷贝数。泛癌层用它统一了纯度口径，这一点很关键：各癌种原先自报的纯度方法不一，有的用图像估算，有的用变异等位频率，直接混用会让"拷贝数中性"的定义漂移。
交付物里与它相关的有三个：纯度与倍体表（开放）、绝对拷贝数分段（开放）、注释突变表（受控）。另有 SNP6 阵列的原始分段表作为上游输入一并提供，方便自行重跑。
值得注意的是纯度表的字段结构：一行一个样本，给出纯度估计、倍体估计与若干拟合优度指标。做多组学校正时，纯度是最常用的协变量，没有它，表达与甲基化的癌种间差异会混入肿瘤细胞比例差异。
4.3 表达层：EB++ 批次校正后的基因级矩阵
表达矩阵的文件名里带着 EBPlusPlusAdjust，指的是经验贝叶斯加加性校正的批次处理方法。它把不同测序批次、不同中心、不同捕获试剂带来的系统性偏移压到同一尺度上，输出一份基因级的单一矩阵。
这份矩阵的价值在于"单一"。单癌种项目各自有自己的表达表，跨癌种合并时最常见的事故是尺度不一致；泛癌层直接把这件事做完了，代价是丢失了原始计数，无法再用需要 count 的模型（如负二项分布类的差异分析）重新建模。
| 属性 | 说明 |
|---|---|
| 层级 | 基因级，非转录本级 |
| 校正 | 批次与中心效应已校正 |
| 数值 | 校正后的表达量，非原始计数 |
| 适用 | 跨癌种比较、聚类、通路打分 |
| 不适用 | 需要原始计数的差异分析 |
4.4 甲基化层：两代平台合并与只留 450K 的两份
甲基化给了两份 beta 值矩阵。一份只含 450K 平台的探针，约四十一 GB；一份把 27K 与 450K 合并到同一探针索引下，约五 GB。文件名的 whitelisted 表示已剔除已知问题探针。
为什么合并版反而更小？因为合并版只保留两代平台共有的探针交集，探针数远少于 450K 单平台的全集。这个设计对跨癌种分析很实用：早期癌种用的是 27K，晚期用 450K，只取交集才能把两批样本放进同一张表。
| 版本 | 探针范围 | 适用场景 |
|---|---|---|
| 450K 单平台 | 450K 全集 | 只用后期样本时信息量最大 |
| 27K 与 450K 合并 | 两代交集 | 需要纳入早期样本时唯一选择 |
混用的典型错误是拿合并版做全基因组甲基化分析，却按 450K 的探针数解释覆盖度，结论会系统性偏窄。
4.5 miRNA 与 RPPA：两个窄层
miRNA 层提供批次校正后的成熟链表达，附一份样本对照表说明每个样本对应哪个平台与协议。它的覆盖比 mRNA 略宽，但绝对值仍然有限，做调控网络时必须与 mRNA 联合使用。
RPPA 层只覆盖 216 种蛋白与磷蛋白，样本不足八千例，三十二个癌种。这是全部数据层里最窄的一层，也是唯一直接测蛋白丰度的一层。它的价值不在广度而在深度：磷酸化位点的丰度能直接反映通路激活状态，是验证通路推断结果的少数手段之一。
| 层 | 特征维度 | 覆盖 | 主要用途 |
|---|---|---|---|
| miRNA | 成熟链 | 一万余例 | 转录后调控、分型辅助 |
| RPPA | 216 种蛋白与磷蛋白 | 不足八千例 | 通路活性验证、蛋白水平关联 |
4.6 临床层：TCGA-CDR 的四个终点
临床部分有两张表。一张是患者级随访长表，字段多而杂，不同癌种的字段填充率差异很大。另一张是 TCGA-CDR，即泛癌临床数据资源，把终点按统一规则重算。
CDR 给出四个终点：总生存、无进展间期、无病间期、疾病特异生存。每个终点都配了事件指示与时间字段，并说明了各自的适用条件。这份表的意义在于消歧：原始随访表里"死亡时间"与"末次接触时间"经常混填，CDR 用一套规则把它们区分开。
| 终点 | 起算点 | 事件定义 | 适用 |
|---|---|---|---|
| 总生存 | 诊断日 | 任何原因死亡 | 全部癌种 |
| 无进展间期 | 诊断日 | 进展或死亡 | 全部癌种 |
| 无病间期 | 诊断日 | 复发或死亡 | 仅根治性治疗者 |
| 疾病特异生存 | 诊断日 | 因该癌死亡 | 全部癌种 |
四个终点不能互换，也不能拼成一个"综合生存"。选哪一个取决于研究问题与治疗背景，这一点在 CDR 论文里有逐条说明。
4.7 通路层：PARADIGM 的推断矩阵
PARADIGM 把基因、通路与样本组织成三层网络，用因子图推断每个样本在每个通路节点上的活性水平，输出一份通路活性矩阵，文件名是 merge_merged_reals。
要强调的是它不是测量值。它是在先验通路网络基础上，用拷贝数、表达与蛋白数据反推出来的潜变量。通路网络本身的完整性决定了推断的可靠性，网络覆盖不到的通路不会被推断出来。
它的实用价值在于降维：把两万个基因压成数百个通路节点，跨癌种比较时噪声更小、可解释性更好。风险在于过度解读：某个通路"活性高"只是模型输出，不等于实验测到的磷酸化水平高。
4.8 质量层：样本级注释表
merged_sample_quality_annotations.tsv 是一张容易被忽略但很实用的表。它按等分样给出质量标记、批次信息与若干需要注意的注释，做质控时可以先按它筛一遍，再去核对具体文件。
对跨癌种分析而言，批次是最需要关注的混杂因素。三十三个癌种的样本来自不同年代、不同中心、不同试剂批次，任何跨癌种的差异都可能部分来自批次而非生物学。这张表提供了把批次作为协变量纳入模型的基础。
§5 核心层 C：怎么拿到、怎么接上
5.1 三条通道与各自门槛
第一条是官方通道：从出版物页取两份清单，按 UUID 用数据传输工具或接口下载。优点是保真，md5 可校验，能拿到全部十五个文件；缺点是需要自己处理断点续传与存储。
第二条是镜像通道：ISB-CGC 把同一批文件映射成 BigQuery 表，可以用 SQL 直接查；cBioPortal 按癌种拆成三十余个研究，点选即得；另有 FireCloud 与聚类热图门户提供分析环境。优点是省事，缺点是只覆盖部分文件，且看不到文件级溯源。
第三条是论文补充表：二十七篇论文各自的补充材料里往往有比交付文件更细的中间结果，例如免疫亚型打分、干细胞指数、可变剪接事件。优点是颗粒度细，缺点是没有统一格式，需要逐篇整理。
| 通道 | 覆盖 | 门槛 | 适合 |
|---|---|---|---|
| 官方清单 | 全部 15 个文件 | 需存储与带宽 | 需要保真与可复现 |
| ISB-CGC | 主要矩阵 | 需云账号 | 想用 SQL 探索 |
| cBioPortal | 按癌种切片 | 无 | 快速看基因与生存 |
| 论文补充表 | 中间结果 | 无 | 需要细分指标 |
5.2 一次取全：用清单加 UUID
官方给的清单是制表符文本，四列。直接循环即可，不需要令牌（受控文件除外）。
#--按清单批量取回开放层文件，UUID 直接作为下载地址的末段
mkdir -p pcan && cd pcan
curl -sSLo PanCan-General_Open_GDC-Manifest_2.txt \
https://gdc.cancer.gov/system/files/public/file/PanCan-General_Open_GDC-Manifest_2.txt
while IFS=$'\t' read -r id name md5 size; do
[ "$id" = "id" ] && continue
curl -sSL -o "$name" "https://api.gdc.cancer.gov/data/$id"
echo "$md5 $name" | md5sum -c -
done < PanCan-General_Open_GDC-Manifest_2.txt
这段脚本先取清单再逐个下载，最后用清单里的 md5 校验。五十 GB 的体量，带宽一般的话需要一些耐心，建议放在能断点续传的环境里跑。
5.3 镜像与派生入口
ISB-CGC 的 BigQuery 表是最接近"即席查询"的入口，它把突变状态与表达水平做了统一注释，跨表连接比下载原始矩阵省事得多。cBioPortal 的合并视图适合快速看某个基因在三十三癌种的改变频率与生存关联，但它的分层是癌种切片，做真正的跨癌种统计仍要回到矩阵。
聚类热图门户提供的是可视化结果，不是数据入口，适合检查某篇论文的图是否能复现，不适合二次分析。
5.4 用 barcode 接回单癌种项目
跨层连接的唯一可靠键是样本 barcode 的十二位前缀。下面这段代码演示如何把 CDR 的临床终点接到表达矩阵的列上，并统计可对齐的患者数。
#--把 CDR 终点接到表达矩阵，先对齐十二位患者前缀
import pandas as pd
cdr = pd.read_excel("TCGA-CDR-SupplementalTableS1.xlsx", sheet_name=0)
expr = pd.read_csv("EBPlusPlusAdjustPANCAN_IlluminaHiSeq_RNASeqV2.geneExp.tsv",
sep="\t", index_col=0)
cdr["patient12"] = cdr["bcr_patient_barcode"].str[:12]
expr_patients = {c[:12] for c in expr.columns}
hit = cdr["patient12"].isin(expr_patients)
print("CDR 行数", len(cdr))
print("可与表达对齐", int(hit.sum()))
print("表达矩阵维度", expr.shape)
输出的三个数就是有效样本量的起点。任何声称"用了全部样本"的分析，都应该先跑一遍这个交集。
再做突变负荷时，同样先截前缀，避免把同一患者的多个等分样重复计数。
#--按癌种统计每位患者的 PASS 变异数，注意先去重到患者级
import pandas as pd
maf = pd.read_csv("mc3.v0.2.8.PUBLIC.maf.gz", sep="\t", comment="#", low_memory=False)
maf["patient12"] = maf["Tumor_Sample_Barcode"].str[:12]
maf["cohort"] = maf["Tumor_Sample_Barcode"].str[5:7]
per_patient = (maf.groupby(["cohort", "patient12"]).size()
.rename("n_variant").reset_index())
print(per_patient.groupby("cohort")["patient12"].nunique().sort_values())
5.5 常见取数故障
故障一，把宽表按长表读。表达矩阵第一列是基因名，如果按默认分隔符读进内存，可能得到上百万列，直接把内存打满。读之前先确认表头列数。
故障二，把样本当患者。同一位患者可能有原发瘤与转移瘤两份样本，按样本计数会虚高。凡是要报"多少例"的地方，都先截十二位去重。
故障三，混用公共版与受控版突变表。两版的变异集合不同，混在一起统计会重复计数，也会让同一患者的突变数在两次运行间跳变。
故障四，拿合并甲基化矩阵的探针数去解释 450K 的覆盖度。合并版只留交集，探针数明显少于 450K 全集。
故障五，忽略样本质量注释。被标记的样本若不过滤，会在聚类里形成独立的小簇，看起来像新的生物学亚型。
5.6 存储与算力预算
五十 GB 的下载量不算大，但解压与读入后内存占用会上升一个量级。四十一 GB 的甲基化矩阵读进内存通常需要数十 GB 的随机存取内存，建议按列分块读，或者先转成按样本分片的格式。
通路推断的压缩包解开后是多个矩阵，逐个读入时注意及时释放。做三十三癌种的联合分析，一台十六核、六十四 GB 内存的机器基本够用，瓶颈在磁盘吞吐而不是算力。
§6 与库内词条的关系
6.1 关系图谱
泛癌层处在一个中间位置：上游是三十三个单癌种项目，下游是各类派生索引与可视化门户。它不是上游的替代，也不是下游的唯一来源。
| 层级 | 代表 | 与本层的关系 |
|---|---|---|
| 上游 | 各单癌种项目 | 提供原始与处理层，本层是其重算结果 |
| 本层 | PanCanAtlas | 可比分析层，2018 冻结 |
| 下游 | cBioPortal、ISB-CGC、聚类热图 | 镜像与派生，覆盖不全 |
6.2 与库内单癌种词条的分工边界
库内的乳腺癌、肺腺癌、胶质母细胞瘤、低级别胶质瘤四个单癌种词条，各自回答"这个癌种里有什么"。它们与本层的分工可以概括为：单癌种词条负责"取数与字段"，本层负责"跨癌种可比"。
一个具体例子：想知道某基因在乳腺癌里的突变率，用单癌种项目，因为那里的队列定义与论文一致；想知道这个基因在三十三癌种里的突变谱，用本层的 MC3 表，因为只有它统一了调用口径。两个数不会完全相同，差异来自队列与调用流程，不是谁错了。
| 词条 | 提供的独特信息 | 何时优先用它 |
|---|---|---|
| tcga-brca | 乳癌亚型、临床字段、切片 | 乳癌单病种研究 |
| tcga-luad | 肺腺癌驱动基因与吸烟暴露 | 肺腺癌单病种研究 |
| tcga-gbm | 胶质母细胞瘤的经典分型 | 胶质瘤单病种研究 |
| tcga-lgg | 低级别胶质瘤的 IDH 分层 | 低级别胶质瘤研究 |
| tcga | TCGA 计划的总体说明 | 需要计划层面的背景 |
| tcga-legacy | 2018 年前后门户改版的对照 | 复现旧分析 |
6.3 与 tcga 总词条、tcga-legacy 的分工
tcga 总词条讲的是计划本身：立项背景、采样规模、组织架构、遗产。tcga-legacy 讲的是数据版本的分野：旧版处理结果与 harmonized 版本之间的差别。本层讲的是分析层：三十三癌种重算后的可比矩阵。
三者的关系是"计划—版本—分析层"。找背景看总词条，找版本差异看 legacy，找可直接算的矩阵看本层。
6.4 与 AACR GENIE 的边界
AACR GENIE 是临床测序联盟的汇总库，样本量比 TCGA 大一个量级，覆盖晚期与转移性患者，带真实世界治疗信息。它与本层的差别不在规模，而在设计：GENIE 是靶向面板测序，泛癌层是全外显子与全基因组加上多组学。
| 维度 | 本层 | AACR GENIE |
|---|---|---|
| 测序范围 | 全外显子、全基因组、多组学 | 靶向面板 |
| 样本来源 | 手术切除为主 | 临床常规检测 |
| 分期分布 | 早期为主 | 晚期为主 |
| 治疗信息 | 稀疏 | 较丰富 |
| 适合 | 机制与通路 | 真实世界结局与靶点频率 |
做靶点频率与真实世界疗效，GENIE 更合适；做通路机制与多组学整合，本层不可替代。
6.5 组合使用的三种配方
配方一，发现加验证：用本层做跨癌种发现，回到单癌种项目用更全的队列验证。配方二，机制加结局：用本层做通路与分型，用 GENIE 做药物暴露与结局的外部校验。配方三，多组学加影像：用本层拿分子层，用 TCIA 的独立影像集合做影像组学，但要先确认两边的患者是否重叠，不能默认可以按 barcode 连接。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估这份资源之前，要把"交付质量"与"设计边界"分开。交付质量在公开组学资源里属上乘：文件名带版本号、md5 可校验、口径写在论文里、冻结后可复现。设计边界则来自它的定位：它是分析层，天然不含原始数据；它是 2018 年定版，天然不含后续更新；它是跨癌种汇总，天然牺牲单癌种颗粒度。把后者当成前者的缺陷，会得出"数据不行"的错误结论；反过来把前者当成后者的补偿，会得出"什么都能做"的错误结论。
7.1 DAIMS 八项评分
DAIMS 把数据集的质量拆成描述层、结构层与访问层三组维度。按这八项打分，能看出它的强项集中在结构与访问，弱项集中在描述的字段级细节。
| DAIMS 维度 | 评分 | 依据 |
|---|---|---|
| 描述层身份与边界 | 4.5 | 名称、机构、癌种范围、时间线清楚；但无项目编号，身份需靠出版物页确认 |
| 描述层文档完备度 | 4.0 | 二十七篇论文加两份清单，口径写得很细；字段级字典分散在论文补充表，无统一数据字典 |
| 结构层标识体系 | 4.5 | barcode 十二位前缀跨文件通用，十年未变，是最稳的一环 |
| 结构层层级一致性 | 3.5 | 宽表与长表混排，样本集合不一致，没有统一的外键约束 |
| 结构层模态配对 | 3.5 | 五个平台同源，但配对率不均，RPPA 只覆盖七千余例，无图像模态 |
| 访问层开放程度 | 4.5 | 十四个文件免注册直取，仅一个文件受控，门槛在同类资源里很低 |
| 访问层可复现性 | 4.5 | 版本号加 md5，字节级可复现，冻结策略明确 |
| 访问层许可清晰度 | 4.0 | 开放层协议明确；受控层的二次分发边界需自行判断，官方页未逐条列明 |
八项相加没有意义，因为不同用途对这八项的权重差异极大。做跨癌种比较的人最看重结构层，做合规审查的人最看重访问层。
7.2 分数怎么读
两项四点五以上的维度（标识体系、开放程度、可复现性）说明它适合当参照系：任何人任何时候下载，拿到的都是同一批字节，结论可以互相对照。
两项三点五的维度（层级一致性、模态配对）说明它不适合当"开箱即用的宽表"。要用它，必须先接受一个事实：十五个文件是十五个独立的表，样本集合各不相同，交集要自己算。
文档完备度四分是公允的：论文写得很细，但没有一份统一的字段字典。想知道某一列的确切含义，往往要去翻对应论文的补充材料。
7.3 已知的、可枚举的偏差
第一是选择偏倚。能进 TCGA 的前提是有足够冷冻组织且做过手术，晚期与体能状态差的患者系统性缺席。泛癌层继承了这个偏倚，且因为要跨癌种可比，反而更难在层内校正。
第二是批次偏倚。三十三个癌种来自不同年代与中心，尽管表达做了批次校正、甲基化做了平台合并，残留的批次效应仍可能被误读为癌种差异。
第三是时间偏倚。采样集中在靶向治疗普及之前，免疫治疗暴露几乎为零，任何与当代药物相关的结论都不能由此推出。
第四是平台偏倚。甲基化跨两代阵列，蛋白层只有反相阵列一种方法，通路层是模型推断而非测量。
第五是聚合偏倚。泛癌层面的统计量由大癌种主导，小癌种的信号在聚合时被稀释，看到"泛癌平均"时要想到它的构成。
7.4 它为何能持续
这份资源从 2018 年用到现在，靠的不是更新，而是三件事同时成立：标识稳定，barcode 十年不变；口径统一，跨癌种可比这件事没有第二个免费替代；许可靠得住，开放层不需要谈判。
它的角色因此不是"最新数据源"，而是"坐标系"。任何新的泛癌队列，都可以拿它做一次对齐；任何跨癌种的结论，都可以拿它做一次外部校验。这种"被引用"而非"被更新"的生存方式，在组学资源里不多见。
§8 生态位与历史
8.1 历史沿革
TCGA 在 2006 年以若干癌种试点起步，随后扩展到三十三个癌种。2014 年前后，随着单癌种论文陆续收官，网络内部开始讨论一个问题：三十三个癌种各自分析完了，能不能合起来看。泛癌分析的早期尝试集中在少数几个癌种，2014 年首次出现十二癌种的跨癌种分型论文，证明了"按分子特征而非解剖部位分组"这条路可行。
2018 年 4 月 5 日，二十七篇论文集中发表，泛癌图谱作为 TCGA 的收官之作正式交付。同月数据冻结，两份清单上线。此后这份资源基本不再变动，成为一段被封存的分析成果。
8.2 组织方式：三个类别的锚点论文
论文的组织不是按癌种，而是按问题。细胞起源模式、致癌过程、致癌通路三类，各有一篇发在 Cell 的锚点论文，其余为配套。这种组织方式对读者的实际影响是：想理解框架读锚点，想用具体指标读配套，想拿数据看清单。
锚点论文的另一个作用是定义术语。iCluster、免疫亚型、干细胞指数、通路推断水平这些词，在配套论文里各有各的用法，回到锚点才能确认它们的确切含义。
8.3 衍生资源的谱系
直接派生的一批资源包括 cBioPortal 的按癌种研究与合并视图、ISB-CGC 的 BigQuery 表、以及若干可视化门户。间接派生的更多：大量方法学论文拿它当基准，大量数据库拿它当注释来源。
派生带来便利，也带来溯源断裂。用派生数据得到的结论，若要写进论文，最好回到原始文件核对一次，尤其是样本数与变异集合这两项。
8.4 同类项目对照
| 资源 | 覆盖 | 与本层的差异 |
|---|---|---|
| TCGA 单癌种项目 | 单癌种，原始加处理层 | 深而窄，不可跨癌种直接比 |
| ICGC/TCGA PCAWG | 全基因组，二千余例 | 更偏全基因组变异，样本少 |
| AACR GENIE | 靶向面板，十万级样本 | 广度大，深度浅，无多组学 |
| CPTAC 泛癌 | 蛋白组学为主 | 蛋白深，其他层薄 |
| 本层 | 三十三癌种，五平台汇总 | 可比性最强，深度最浅 |
一句可操作的判断：要可比选本层，要深度选单癌种，要广度选 GENIE，要蛋白选 CPTAC。
§9 使用指引
9.1 三种角色的路径
做机制研究的人，路径是"通路锚点论文 → PARADIGM 矩阵 → MC3 突变表 → 单癌种项目补细节"。先看通路层面有没有信号，再回到变异层面找具体事件。
做临床关联的人，路径是"CDR 终点 → 表达矩阵 → 单癌种临床字段"。先用统一终点建基线模型，再回单癌种补治疗与分期细节。
做工程与建模的人，路径是"清单 → 矩阵 → 质量注释 → 分块读取"。先把样本交集算清楚，再决定训练与验证怎么划分，最后才谈模型。
9.2 一条最短的可用流程
第一步，取清单，下载表达矩阵、MC3 突变表、CDR 三件。第二步，按十二位前缀求交集，得到有效样本。第三步，选一个终点，建一个只含临床变量的基线模型。第四步，加入分子特征，看增量。第五步，换一个癌种重复，确认结论不是某个癌种的特例。
这五步不需要甲基化与蛋白层，也不需要通路推断，是最小可复现的路径。要往深里做，再逐层加。
9.3 引用方式
引用应分两层：数据引用指向 GDC 的 PanCanAtlas 出版物页并注明获取日期；方法引用指向对应的锚点论文或方法论文，例如突变用 MC3 的方法论文，生存用 CDR 论文，分型用主论文。只引数据页不引方法论文，会让审稿人无法判断口径。
9.4 合规清单
确认下载的是开放层还是受控层；受控层需附 dbGaP 应用编号。确认致谢中写明数据来源与获取日期。确认没有再分发个体级数据。确认使用的版本号（如 mc3.v0.2.8）写进了方法部分。四条都做到，合规上基本无虞。
§10 AI 使用声明
10.1 这份数据在模型训练中的位置
它不是为训练准备的数据集：没有统一张量，没有划分好的训练测试集，没有标签字典。要拿它训练，先要自己定三件事：任务（分型、预后、表征学习）、标签（癌种、亚型、生存分箱）、划分（按癌种还是按中心）。
划分方式尤其重要。按样本随机划分会让同一患者的多个样本落入不同集合，指标虚高；按癌种划分更接近真实使用场景，但训练集与测试集的分布差异会很大。
10.2 生成式模型最容易说错的四个数
第一个是样本量。模型很容易把一万、一万一千、一万一千四百二十八混着说。正确表述必须带分母：某一平台的有效样本是多少，全计划是多少。
第二个是癌种数。三十三是对的，但在某些分层里只有三十二个（RPPA 层），说"三十三个癌种都有蛋白数据"就是错的。
第三个是文件数。十五个文件，不是十五个数据集；每个文件是一张表，不是一批样本。
第四个是更新状态。2018 年定版，此后未随门户更新，说"最新版本"是错的。
10.3 不应由它承担的判断
治疗选择、预后告知、药物比较这三类判断，都不该由这份资源支撑。它没有结构化的疗效评价，没有当代药物暴露，也没有前瞻设计。把它的生存模型包装成临床工具，是把回顾性关联当成因果。
跨癌种的"平均效应"也不该直接用于个体。聚合层面的统计量由大癌种主导，落到某个小癌种的患者身上，参考价值有限。
常见误读（避坑清单）
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| 「PanCanAtlas 是 GDC 的一个项目」 | 项目接口查 TCGA-PANCAN 返回 not found，门户无项目页 | api.gdc.cancer.gov 项目端点 |
| 「有一万二千例」 | 官方口径是一万余例与一万上下，门户全量一万一千余例 | Cell 编者按、主论文摘要、门户计数 |
| 「十五个文件就是十五批样本」 | 十五个文件是十五张表，样本集合各异 | 两份清单的文件名与体积 |
| 「下载就能拿到原始读段」 | 只有汇总矩阵，无 FASTQ、BAM、CRAM | 清单内无读段类文件 |
| 「三十三癌种都有蛋白数据」 | RPPA 只覆盖三十二个癌种、不足八千例 | 主论文图注 |
| 「甲基化只有一份矩阵」 | 450K 单平台与 27K+450K 合并各一份 | 清单内两个 beta 文件 |
| 「突变表可以直接跨版本比」 | 公共版只留 PASS，受控版含全部，两版不可混算 | 两版文件与 MC3 方法论文 |
| 「CDR 的四个终点可以互换」 | 起算点与事件定义不同，适用条件不同 | CDR 论文与表头说明 |
| 「PARADIGM 的通路活性是测量值」 | 是先验网络上的模型推断 | 通路论文方法部分 |
| 「按 barcode 能连上 TCIA 影像」 | 部分癌种重叠，不是同一批患者 | TCIA 集合的独立来源说明 |
| 「2018 定版等于与门户一致」 | 门户 harmonized 管线仍在迭代 | 文件名版本号与门户更新记录 |
| 「泛癌平均效应可以外推到小癌种」 | 聚合统计由大癌种主导 | 各癌种样本量分布 |
FAQ
Q1：PanCanAtlas 到底是一个数据集还是一套论文？
两者都是，但数据是实体。二十七篇论文是成果的表达形式，数据交付是十五个文件、约五十 GB，可独立下载与校验。论文是说明书，文件是产品。
Q2：为什么找不到它的病例数？
因为它不是项目，没有项目级的计数。可引用的数字来自论文：主论文摘要约一万例，编者按一万余例，各平台图注给更细的分母。引用时须注明来源与分母。
Q3：做单癌种研究还要不要用它？
多数情况不必。单癌种项目的 harmonized 版本更新更晚、字段更细。只有在需要与其他癌种对照、或需要统一终点与统一突变调用时，才回到这一层。
Q4：开放层够不够发一篇跨癌种论文？
多数够。突变、拷贝数、表达、甲基化、miRNA、蛋白、临床、通路推断全在开放层。受控层只多一份带纯度校正的突变表，主要影响亚克隆与等位基因特异性分析。
Q5：数据这么大，有没有轻量入口？
有。ISB-CGC 的 BigQuery 表可以只查需要的列；cBioPortal 的按癌种切片可以只看某个基因；聚类热图门户可以看已算好的聚类结果。三者都不适合做需要全矩阵的统计。
Q6：为什么文件名这么长、这么怪？
因为它们保留了生成时的机构前缀、平台名与处理标记。jhu-usc.edu 是甲基化数据的生成机构，broad.mit.edu 是拷贝数分段，EBPlusPlusAdjust 是校正方法，whitelisted 表示已剔除问题探针。读懂文件名，等于读懂半份数据字典。
术语表
| 术语 | 含义 |
|---|---|
| PanCanAtlas | TCGA 泛癌图谱计划的缩写，指整合分析与数据交付整体 |
| MC3 | 多中心跨癌种突变调用项目，七路调用器集成 |
| PASS | 突变过滤后的采信标记，公共版只保留此类变异 |
| ABSOLUTE | 从拷贝数与等位频率推断纯度、倍体与绝对拷贝数的方法 |
| TCGA-CDR | 泛癌临床数据资源，统一重算四个生存终点 |
| PARADIGM | 在通路网络上推断样本级通路活性的方法 |
| iCluster | 多平台联合聚类方法，泛癌分型的基础 |
| barcode | TCGA 样本标识，前十二位为患者，中两位为样本类型 |
| 等分样 | 一份用于测量的样本分装，对应一个文件集合 |
| 批次效应 | 因年代、中心、试剂不同引入的系统性偏差 |
| beta 值 | 甲基化水平的比值表示，取值 0 到 1 |
| RPPA | 反相蛋白阵列，测蛋白与磷蛋白丰度 |
| whitelisted | 已剔除已知问题探针或样本的过滤标记 |
附录 A：核心数字核对表
| 项 | 数字 | 来源 |
|---|---|---|
| 癌种数 | 33 | GDC 出版物页与主论文 |
| 论文数 | 27 | Cell 编者按，DOI 10.1016/j.cell.2018.03.048 |
| 分析样本量 | 约一万余例 | Cell 编者按 |
| 主论文摘要口径 | 约一万例 | Hoadley 等，Cell 2018 |
| 门户 TCGA 全量 | 11,428 例 | GDC 项目接口，2026-10 查询 |
| 非整倍性聚类样本 | 10,522 | 主论文图注 |
| 甲基化聚类样本 | 10,814 | 主论文图注 |
| mRNA 聚类样本 | 10,165 | 主论文图注 |
| miRNA 聚类样本 | 10,170 | 主论文图注 |
| RPPA 样本 | 7,858（32 癌种） | 主论文图注 |
| 开放层文件 | 14 | 开放清单 |
| 受控层文件 | 1 | 受控清单 |
| 交付总体积 | 约 50 GB | 两份清单字节数求和 |
| 最大单文件 | 约 41.5 GB | 450K 甲基化矩阵 |
| 体细胞变异数 | 约三百五十万 | MC3 方法论文 |
| 突变调用器 | 7 | MC3 方法论文 |
| 蛋白与磷蛋白 | 216 | 主论文图注 |
| 定版日期 | 2018-04-05 | 论文集中发表日 |
附录 B：数字的来源分层
| 层级 | 代表数字 | 说明 |
|---|---|---|
| 清单口径 | 15 个文件、约 50 GB | 两份清单可直接重算，最稳 |
| 论文口径 | 27 篇、约一万余例、各平台分母 | 以 Cell 编者按与主论文为准 |
| 门户口径 | 一万一千四百二十八例 | TCGA 三十三项目总和，随门户更新 |
| 派生口径 | cBioPortal 三十余个研究、BigQuery 表 | 经再处理，样本数可能与官方不同 |
附录 C：完整参考文献
| 文献 | 用途 |
|---|---|
| Hoadley KA et al. Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer. Cell 173(2):291–304 (2018). DOI 10.1016/j.cell.2018.03.022 | 主论文，分型框架 |
| Kruger R. Charting a Course to a Cure. Cell (2018). DOI 10.1016/j.cell.2018.03.048 | 编者按，27 篇与一万余例的出处 |
| Ellrott K et al. Scalable Open Science Approach for Mutation Calling of Tumor Exomes Using Multiple Genomic Pipelines. Cell Systems 6(3):271–281 (2018). DOI 10.1016/j.cels.2018.03.002 | MC3 方法，七路调用器与变异数 |
| Bailey MH, Tokheim C, Porta-Pardo E et al. Comprehensive Characterization of Cancer Driver Genes and Mutations. Cell 173(2):371–385 (2018) | 驱动基因目录 |
| Sanchez-Vega F et al. Oncogenic Signaling Pathways in The Cancer Genome Atlas. Cell 173(2):321–337 (2018) | 十条通路框架 |
| Liu J et al. An Integrated TCGA Pan-Cancer Clinical Data Resource. Cell 173(2):400–416 (2018). DOI 10.1016/j.cell.2018.03.046 | 四个生存终点定义 |
| Thorsson V et al. The Immune Landscape of Cancer. Immunity 48 (2018) | 免疫分型与白细胞比例 |
| Malta TM et al. Machine Learning Identifies Stemness Features. Cell 173(2):338–354 (2018) | 干细胞指数 |
| Huang KL et al. Pathogenic Germline Variants in 10,389 Adult Cancers. Cell 173(2):355–370 (2018) | 生殖系变异目录 |
| GDC PanCanAtlas 出版物页 https://gdc.cancer.gov/about-data/publications/pancanatlas | 清单与补充文件的一手入口 |
附录 D：任务代码
#--核对交付物的文件数与总体积，直接读清单，不依赖下载
curl -sSLo pcan_open.txt \
https://gdc.cancer.gov/system/files/public/file/PanCan-General_Open_GDC-Manifest_2.txt
awk -F'\t' 'NR>1 {n++; s+=$4} END {printf "文件 %d 个，合计 %.1f GB\n", n, s/1e9}' pcan_open.txt
#--把通路矩阵与表达矩阵按患者对齐，得到可分析的交集
import tarfile, pandas as pd
with tarfile.open("merge_merged_reals.tar.gz") as tf:
names = [n for n in tf.getnames() if n.endswith(".txt") or "reals" in n]
print("压缩包内文件数", len(names))
print(names[:5])
expr = pd.read_csv("EBPlusPlusAdjustPANCAN_IlluminaHiSeq_RNASeqV2.geneExp.tsv",
sep="\t", index_col=0, nrows=200)
print("表达矩阵列数（样本）", expr.shape[1])
print("列名前三个", list(expr.columns[:3]))
附录 E：如果只记五件事
第一，它不是项目，是出版物配套数据；没有项目页，只有两份清单与十五个文件。
第二，它交付的是分析层，约五十 GB，没有读段、没有影像、没有切片。
第三，四个口径要分清：一万余例是总量，约一万例是摘要，各平台分母从七千八到一万零八百不等，一万一千四百二十八是门户全量。
第四，它的不可替代性是可比：统一突变调用、统一纯度、统一终点、统一分型，这四件事没有第二个免费替代。
第五，2018 年定版之后不再更新，它是坐标系而不是最新数据源。
编辑说明
核验时间 2026-10-29。核验方式：GDC 的 PanCanAtlas 出版物页与其两份清单原文（逐行读取 UUID、文件名、md5 与字节数，并求和）；GDC 项目接口查询 TCGA-PANCAN 返回 not found，另按 program 统计 TCGA 项目数与病例总数；Cell 编者按与主论文的 PubMed 摘要及图注；MC3 方法论文摘要；cBioPortal 研究接口按后缀统计泛癌研究的数量。
未覆盖的内容：未下载四十一 GB 的甲基化矩阵与其余大文件，因此未核对矩阵内部的行列数；未逐篇核对二十七篇论文的补充材料；未申请受控层权限，故未核对 ABSOLUTE 注释突变表的实际字段；未验证 ISB-CGC 与聚类热图门户的当前可用性。修改记录：初稿即本版。体例遵循千方医数集 AI-Ready 词条规范 v5，正文汉字数与章节编号已通过本地三道校验。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tcga-luad — 共享标签：基因组学与多组学 / 测序数据 / 转录组 / 肿瘤学
- cosmic — 共享标签：基因组学与多组学 / 变异与注释 / 肿瘤学
- pcawg — 共享标签：基因组学与多组学 / 测序数据 / 肿瘤学
- civic — 共享标签：基因组学与多组学 / 变异与注释 / 肿瘤学
- cbioportal — 共享标签：基因组学与多组学 / 测序数据 / 肿瘤学
- circtarget — 共享标签：基因组学与多组学 / 转录组 / 变异与注释
- plasmodb — 共享标签：基因组学与多组学 / 转录组 / 变异与注释
- toxodb — 共享标签：基因组学与多组学 / 转录组 / 变异与注释
- oncokb — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释 / 肿瘤学
- geo — 共享标签：基因组学与多组学 / 测序数据 / 转录组
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
