本文将介绍TCGA数据库是什么，以及作为新手小白该如何在TCGA上找到自己想要的数据。这篇推文，来跟大家一步一步下载TCGA数据。
从TCGA下载数据的方式主流的主要有三种：
1、用TCGA官方工具gdc-client下载：这个方法可以保证下载的是实时的最新文件，但是步骤稍微繁琐，要自己 merge单个文件，不利于新手操作
2、用R语言中的TCGA biolinks包下载：首推这个方法，尤其是在在官网用gdc-client下载卡顿下载不成功的时候，这个包很快就会下好，提供merge功能
3、UCSC xena浏览器下载：这是最简单最傻瓜的方法，初学者推荐用这个方法来探索TCGA
（条条大路通罗马，下载个数据还不简单？）
但是最近，博主发现，可能是自己的网络不好或者其他问题，总是在GDC TCGA网页下载数据后解压失败，另寻出路，搞R语言下载，会是一个很靠谱又快速的方法！
我们2022年4月份TCGA数据库改版更新了，从Data release 18.0已经更到了 Data release 33.0，Release Notes - GDC Docs (cancer.gov)，当然未来还会持续更新。
我们可以看到，这些更新中跟我们要的TCGA RNAseq数据自己研究的肿瘤无关，这些数据就算TCGA数据库更新，它也不会变。那更新了什么呢？根据每次更新的介绍，我们可以了解到GDC添加了很多新数据，比如下面添加了New project——Exceptional Responders Initiative，我们需要留心的是哪些更新数据与我们有关：临床数据！比如说随访数据，我们做预后分析用到的生存资料，这些也是在不断更新的。
在此处，博主先更新获取GDC TCGA转录组数据R语言...加脚本的那种哦~
更新后采用了STAR 作为比对工具，Workfolw Type只有一个STAR- Counts，这其实是算TCGA “良心发现“的好消息，因为表达矩阵的整合难度降低了，每一个样本的一个文件中提供gene_name，基因类型，以及校正的Counts，FPKM，TPM三种数据格式供我们提取。
开始实操
打开GDC TCGA官网（GDC），点击repository 进入仓库--下载个样本量少的试试水！
然后files里面选择下载数据的类型，比如下载转录组数据，选择只是在出现多个选项的时候才选，如果只有一个选项，不勾选也没有关系
比如，当前数据格式tsv只有一种，不勾选没有关系
接下来把选择的数据加入到购物车，购物车里面数量会变成文件数目，当前是40，这里大家可能会有疑问，明明case是33，最后购物车里的file数是40？这其实是正常的，因为case是癌症病人编号，有时候一个癌症病人取样时同时取了多个组织（例如原发癌组织，转移癌组织，血液对照等），不同的file name可能对应了一个case ID，所以会存在file数多于case数的情况。
此时点击购物车，就会进入下载页面，当数据量很大的时候，不建议直接下载而是采用官方推荐的GDC Data Transfer Tool来进行--大家如果没有--链接：https://pan.baidu.com/s/1K8fPxi3R1bW79_KLvF5etA
提取码：aaaa
--来自百度网盘超级会员V4的分享
博主已经搞好，拿走不谢！这里是windows64x
而使用这个工具，需要在GDC TCGA 下载这两个文件，一个是Manifest，一个是metadata，这两个文件，会根据下载时间的不同，生成对应日期的名称
需要把GDC Data Transfer Tool和这些文件放进去，然后再创建一些文件夹，这些是习惯，非必须。
在当前目录下，开始下载数据！
rm(list = ls())
setwd("D:/R.result/2.He/ww2023.8.3_breast cancer/04.symbol")#设置自己的路径
if(!file.exists("rawdata")) dir.create("rawdata")#创建原始数据下载的文件夹
manifest <- "gdc_manifest_20230817_063606.txt"#
rawdata <- "rawdata"
command <- sprintf("./gdc-client download -m %s -d %s",
manifest,
rawdata)
system(command = command)
然后等待片刻，会出现下载进度条，下载速度因人而异，我这里的下载速度很慢
当然每个人在这里下载的时候，都可能出现一些状况，如果有问题，可以重复运行一下，下载完毕后会显示：
这时候所有数据都在rawdata这个文件夹中，总共有40个文件夹，每一个里面点开后有一个文件
这时候，如果第一次弄，一定要打开文件看看，里面有什么，我们需要什么。其中第一列 gene_id我们是需要的，第四列unstranded 就是传统的counts 数据，以前的TCGA数据只提供两列。
改版后的TCGA就妙在提供了转换过后的gene_name，还有gene_type，包括protein_coding和非编码信息，这个可以保留一份用来做基因注释。
好啦！到这里我们使用R语言下载数据已经结束了，后续博主可能还会有临床数据下载，下载好的数据合并处理分析等等~~ 欲知后事如何，清代下次分享