TARGET与GTEx数据集合并分析指南-代码聚汇网

TARGET与GTEx数据集合并分析指南

谢丽鹿·2026-08-13·阅读 23 GEO检测（免费）

TARGETGTEx数据集合并

|难度：普通|阅读约 11 分钟

1. 为什么要合并TARGET和GTEX数据集？

在癌症研究领域，TARGET（Therapeutically Applicable Research to Generate Effective Treatments）和GTEx（Genotype-Tissue Expression）是两个极具价值的公共数据集。TARGET专注于儿童癌症的基因组学研究，而GTEx则记录了健康人体各组织的基因表达谱。将这两个数据集合并分析，能为研究者带来独特的视角。

这种合并操作的核心价值在于：

建立癌症与正常组织的表达基线对比
提高统计功效（特别是对于罕见癌症类型）
识别组织特异性而非癌症特异性的表达模式
减少批次效应带来的分析偏差

注意：虽然合并能带来诸多优势，但两个数据集在样本采集、测序平台和实验设计上存在显著差异，需要谨慎处理技术变异。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 数据获取与预处理关键步骤

2.1 原始数据下载

从官方渠道获取最新版本数据：

TARGET数据：通过GDC数据门户（https://portal.gdc.cancer.gov/）下载RNA-seq的FPKM或TPM矩阵
GTEx数据：从GTEx Portal（https://gtexportal.org/）获取V8版本的转录组数据

建议下载经过标准流程处理的表达矩阵而非原始fastq文件，除非你有特殊分析需求。两个数据集都应选择相同的基因标识符（推荐ENSEMBL ID）。

2.2 数据质量控制

使用R语言的edgeR或DESeq2包进行QC：

r复制# 示例：使用edgeR进行QC
library(edgeR)
target_counts <- read.delim("TARGET_counts.txt")
gtex_counts <- read.delim("GTEx_counts.txt")

# 创建DGEList对象
y <- DGEList(counts=cbind(target_counts, gtex_counts), 
             group=rep(c("TARGET","GTEx"), 
                     c(ncol(target_counts),ncol(gtex_counts))))

# 过滤低表达基因
keep <- filterByExpr(y)
y <- y[keep, , keep.lib.sizes=FALSE]

常见质量问题包括：

样本间测序深度差异过大（>10倍）
基因检出率异常低（<50%基因有表达）
性别标记与XIST表达不符

3. 批次效应校正实战方案

3.1 使用ComBat-seq处理计数数据

由于两个项目使用不同的测序平台和实验流程，批次效应校正至关重要。推荐使用sva包的ComBat-seq方法：

r复制library(sva)
combined_counts <- cbind(target_counts, gtex_counts)
batch <- rep(c(1,2), c(ncol(target_counts), ncol(gtex_counts)))

# 运行ComBat-seq
adjusted_counts <- ComBat_seq(combined_counts, 
                             batch=batch,
                             group=NULL)  # 不指定生物学组别

3.2 可视化验证校正效果

校正前后用PCA和热图验证：

r复制library(ggplot2)
pca_data <- prcomp(t(log2(adjusted_counts+1)))
ggplot(data.frame(pca_data$x), aes(PC1, PC2, color=batch)) +
  geom_point() + theme_minimal()

理想情况下，校正后批次间差异应明显小于校正前。如果发现某些样本明显偏离主群集，建议检查这些样本的QC指标，必要时剔除。

4. 差异表达分析策略

4.1 设计对比矩阵

合并后的分析需要明确定义比较组。例如比较特定癌症类型与对应正常组织：

r复制# 假设我们研究神经母细胞瘤(NB) vs 肾上腺组织
design <- model.matrix(~0 + group)
colnames(design) <- c("GTEx_adrenal", "TARGET_NB")

# 设置对比
contrast.matrix <- makeContrasts(TARGET_NB - GTEx_adrenal, 
                                levels=design)

4.2 使用limma-voom流程

对于RNA-seq数据，推荐limma-voom方法：

r复制library(limma)
v <- voom(adjusted_counts, design)
fit <- lmFit(v, design)
fit <- contrasts.fit(fit, contrast.matrix)
fit <- eBayes(fit)
results <- topTable(fit, number=Inf)

关键参数说明：

trend=TRUE：考虑均值-方差趋势
robust=TRUE：使用稳健回归减少异常值影响
p.value=0.05：默认显著性阈值

5. WGCNA网络构建技巧

5.1 数据准备与参数优化

WGCNA要求输入基因表达矩阵经过严格筛选：

r复制library(WGCNA)
options(stringsAsFactors = FALSE)

# 选择高变异基因
vars <- apply(adjusted_counts, 1, var)
high_var_genes <- names(sort(vars, decreasing=TRUE))[1:5000]
datExpr <- t(adjusted_counts[high_var_genes, ])

# 检查样本聚类
sampleTree <- hclust(dist(datExpr), method="average")
plot(sampleTree)

5.2 软阈值选择

使用pickSoftThreshold函数确定最佳β值：

r复制powers <- c(c(1:10), seq(12,20,2))
sft <- pickSoftThreshold(datExpr, powerVector=powers, 
                        networkType="signed")
plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
     xlab="Soft Threshold (power)", ylab="Scale Free Topology Model Fit")

5.3 模块识别与注释

构建网络并识别基因模块：

r复制net <- blockwiseModules(datExpr, power=6,
                       TOMType="signed", 
                       minModuleSize=30,
                       reassignThreshold=0, 
                       mergeCutHeight=0.25)

模块与表型关联分析：

r复制moduleTraitCor <- cor(moduleEigengenes, clinicalTraits, use="p")
moduleTraitPvalue <- corPvalueStudent(moduleTraitCor, nSamples)

6. 实战中的常见问题与解决方案

6.1 内存不足问题

处理大型数据集时可能遇到内存限制：

使用bigmemory包处理超大矩阵
分块处理数据（如每次分析部分染色体）
在HPC集群上运行内存密集型步骤

6.2 批次校正过度

表现为生物学差异被削弱：

尝试harmony或RUV等替代方法
调整ComBat的mean.only参数
保留部分已知生物学变量作为协变量

6.3 模块生物学解释困难

当WGCNA模块难以注释时：

使用g:Profiler或clusterProfiler进行富集分析
检查模块基因的组织特异性表达模式
结合蛋白质互作网络（如STRING）分析

我在实际分析中发现，GTEx的肾上腺样本数量通常远少于TARGET的神经母细胞瘤样本，这可能导致分析偏差。建议通过加权分析或下采样来平衡组间样本量。另一个实用技巧是保存中间结果的RData文件，特别是耗时较长的步骤如TOM矩阵计算，这样在脚本中断时可以快速恢复工作。