tcga数据库的由来？

一、tcga数据库的由来？

随着大数据时代的到来，各种生物类公共数据库井喷，其中就包括癌症领域熟为人知的癌症基因图谱The Cancer Genome Atlas (TCGA)数据库。TCGA由NCI牵头，作为美国攻克癌计划的一个大项目，投入了巨大的人力和物力，系统提供了癌症多组学测序和芯片数据，包括Gene expression, DNA methylation, Copy Number Variation, Mutation等结果，同时也附有相应各测序样本的完整临床资料。

TCGA为肿瘤基础医学和转化医学研究者提供了海量的基因组数据和与其关联的临床数据,这为挖掘有意义的基因组变化和发现影响肿瘤起始、发展、分化、转移等生物学机制提供了海量数据基础。

二、如何使用TCGA数据库做生存分析？

1 首先需要将TCGA数据下载到本地2 使用生存分析软件（如R语言）读取并处理数据3 进行生存分析，确定生存曲线、风险因素等内容4 根据分析结果进行结论和延伸分析，得出相应的研究结论总结：在使用TCGA数据库进行生存分析时，需要下载数据并使用生存分析软件进行处理和分析，最后得出结论和延伸分析。

三、如何利用tcga数据库进行差异的lncrna分析？

DataTable dt = new DataTable()

;dt.Columns.Add(new DataColumn("PreRevDate0", typeof(decimal)))

;DataColumn col = new DataColumn()

;col.ColumnName = "PreRevDate1"

;col.Expression = "ABS(Convert.ToInt32(PreRevDate0))"

;col.DataType = typeof(decimal)

;dt.Columns.Add(col)

;DataRow dr = dt.NewRow()

;dr["PreRevDate0"] = -1;dt.Rows.Add(dr);

四、tcga组织类型？

TCGA收录的基因组测序数据涉及到的癌症达33种，包含的组织类型达26种：

ACC、BLCA、BRCA、CESC、CHOL、COAD、DLBC、ESCA、GBM、HNSC、KICH、KIRC、KIRP、LAML、LGG、LIHC、LUAD、LUSC、MESO、OV、PAAD、PCPG、PRAD、READ、SARC、SKCM、STAD、TGCT、THCA、THYM、UCEC、UCS、UVM。

TCGA是美国国家癌症研究所(National Cancer Institute)和美国人类基因组研究所(National Human Genome Research Institute)共同监督的一个项目，旨在应用高通量的基因组分析技术，以帮助人们对癌症有个更好的认知，从而提高对于癌症的预防、诊断和治疗能力。

作为目前最大的癌症基因信息数据库，TCGA的全面不仅仅体现在众多癌型上(覆盖33种癌症类型，超过30000例肿瘤样本，超过20000个基因的表达信息)，还体现在多组学数据（包括基因表达数据、miRNA表达数据、拷贝数变异、DNA甲基化、SNP等）。

TCGA作为肿瘤研究中资源最丰富，数据最权威的数据库，自然受到广大科研工作者的深入挖掘。无数的文章脱胎于通过挖掘TCGA数据，同时也促使了不计其数的衍生的数据库用于挖掘可视化TCGA这个巨大的资源。

五、tcga的目的？

全称- The Cancer Genome Atlas， 译作癌症基因组图谱，是美国国立癌症研究所（NCI，National Cancer Institute）和美国国立人类基因组研究所（NHGIRI，National Human Genome Research Institute）启动的肿瘤研究项目。

主要是通过大规模的基因组测序和分析技术去研究癌症致病的分子基础，提高我们对癌症的诊断，治疗和预防能力。

六、tcga数据字段

TCGA数据字段详解

在生物医学领域中，TCGA（The Cancer Genome Atlas）是一个里程碑式的项目，致力于研究不同癌症类型中的基因组变异。通过分析大规模的癌症患者数据，研究人员可以更好地了解癌症的生物学特性，并探索潜在的治疗方法。在这一项目中，TCGA数据字段扮演着至关重要的角色，它们记录了丰富的生物信息，帮助研究人员深入挖掘癌症的遗传特征。

TCGA数据字段包括了各种类型的信息，涵盖了基因表达、DNA变异、蛋白质组学以及临床信息等多个方面。研究人员可以根据自己的研究需要选择合适的字段，从而深入研究特定癌症类型或治疗方法。下面将对一些常见的TCGA数据字段进行详细解析，帮助读者更好地理解这些重要信息。

基因表达数据字段

基因表达数据字段记录了不同基因在癌症组织和正常组织中的表达水平。通过比较这些数据，研究人员可以发现哪些基因在特定癌症类型中异常表达，从而揭示潜在的致病机制。常用的表达数据字段包括FPKM值、RPKM值和TPM值等，它们用于表示基因表达的相对水平，为研究人员提供了重要线索。

除了单个基因的表达数据，TCGA数据字段还提供了基因集的表达数据，比如通路数据和生物标志物数据等。这些数据可以帮助研究人员全面了解某一生物过程或通路在癌症发展中的作用，为研究提供全景视角。

DNA变异数据字段

DNA变异数据字段记录了癌症组织中的DNA变异信息，包括单核苷酸多态性（SNP）、插入缺失突变、染色体易位等。这些变异对基因功能和调控产生重要影响，是癌症研究中的关键因素之一。研究人员可以通过分析这些数据，挖掘潜在的致病基因及其调控网络，为癌症诊断和治疗提供新思路。

此外，TCGA数据字段还包括了DNA甲基化数据字段，记录了DNA甲基化在不同癌症类型中的模式。DNA甲基化是一种重要的表观遗传修饰方式，对基因表达的调控起着关键作用。通过分析甲基化数据，研究人员可以揭示癌症的表观遗传特征，为精准医疗提供支持。

蛋白质组学数据字段

蛋白质组学数据字段记录了癌症组织中蛋白质的表达水平和修饰信息。蛋白质作为细胞的重要功能分子，参与调控几乎所有的生物学过程，对癌症的发生和发展至关重要。通过分析蛋白质组学数据，研究人员可以发现潜在的肿瘤标志物，并揭示其在癌症发展中的作用机制。

此外，TCGA数据字段还包括了蛋白质互作数据字段，记录了蛋白质间的相互作用网络。这些数据可以帮助研究人员识别关键的信号通路和功能模块，从而深入理解癌症的发生和发展过程。

临床信息数据字段

临床信息数据字段包括了患者的临床诊断、治疗方案和预后信息等。这些数据对于指导临床实践和研究具有重要意义，可以帮助研究人员评估治疗效果和预测患者的生存率。通过将临床信息与生物学数据进行整合分析，可以实现更精准的个体化医疗。

综上所述，TCGA数据字段是癌症研究中不可或缺的重要资源，它们记录了丰富的生物信息，为研究人员提供了深入探索癌症遗传特征的机会。通过充分利用这些数据，我们有望揭示癌症发展的机制，发现新的治疗靶点，并最终实现精准医疗的目标。

七、geo数据和tcga数据挖掘的差别？

geo数据和tcga数据都是生物医学领域的重要数据资源，但两者在数据类型、来源和处理方式等方面存在差别。

geo数据主要来自于公开的全基因组表达数据，包括转录组、芯片和序列数据等；而tcga数据则主要涵盖肿瘤组织的基因组、转录组、表观组和临床数据等，是一个综合性的癌症基因组学数据库。此外，tcga数据需要经过严格的质控和标准化处理，以确保数据的可靠性和一致性。因此，在进行数据挖掘研究时，需要根据研究目的和数据特点选择合适的数据源和方法。

八、如何建立数据库，利用什么软件建立数据库？

啥叫数据库？excel也可以算，access也可以算，mysql也可以算，hbase也可以算，你要数据库干啥，决定了你怎么搭建数据库。

九、数据库设计?

本文档明确数据库设计原则和规范，规范数据库对象命名方式，见名知意，强化分工，保证数据库高效稳定运行

1 数据库设计原则

1) 充分考虑业务逻辑和数据分离，数据库只作为一个保证ACID特性的关系数据的持久化存储系统，尽量减少使用自定义函数、存储过程和视图，不用触发器。

2) 充分考虑数据库整体安全设计，数据库管理和使用人员权限分离。

3) 充分考虑具体数据对象的访问频度及性能需求，结合主机、存储等需求，做好数据库性能设计。

4) 充分考虑数据增长模型，决策是否采用“分布式（水平拆分或者垂直拆分）”模式。

5) 充分考虑业务数据安全等级，设计合适的备份和恢复策略。

2 设计规范

2.1 约定

1) 一般情况下设计遵守数据的设计规范3NF，尽量减少非标准范式或者反模式使用。

3NF规定：

Ø 表内的每一个值都只能被表达一次。

Ø 表内的每一行都应该被唯一的标识（有唯一键）。

Ø 表内不应该存储依赖于其他键的非键信息。

常见关键字（不得直接作为相关命名）：range、match、delayed、select、and、from、where、not、in、out、add、as、user、name、key、index、type、group、order、max、min、count、concat、by、desc、asc、null等等，更多请参考 MySQL 官方保留字。

2) 数据库和表的字符集统一：字符集（utf8mb4），排序规则（utf8mb4_general_ci）

2.2 表设计规范

1) 应该根据系统架构中的组件划分，针对每个组件所处理的业务进行组件单元的数据库设计；不同组件间所对应的数据库表之间的关联应尽可能减少，确保组件对应的表之间的独立性，为系统或表结构的重构提供可能性。

2) 采用领域模型驱动的方式和自顶向下的思路进行数据库设计，首先分析系统业务，根据职责定义对象。对象要符合封装的特性，确保与职责相关的数据项被定义在一个对象之内，不会出现职责描述缺失或多余。

3) 应针对所有表的主键和外键建立索引，有针对性地建立组合属性的索引。

4) 尽量少采用存储过程。

5) 设计出的表要具有较好的使用性。

6) 设计出的表要尽可能减少数据冗余，确保数据的准确性。

2.3 字段规范

1) 一行记录必须表内唯一，表必须有主键。

2) 如果数据库类型为MYSQL ，应尽量以自增INT类型为主键。如果数据库类型为ORACLE，建议使用UUID为主键。

3) 日期字段，如需要按照时间进行KEY分区或者子分区，则使用VARCHAR2类型存储，存储格式为：YYYYMMDD 。如若不需要以KEY形式作为分区列，则使用DATE或者DATETIME类型存储。不建议使用时间戳存储时间。

4) 字段名称和字段数据类型对应，如DATE命名字段，则存储时间精确到日，如TIME命名字段，则存储时间精确到时分秒，甚至毫秒。

2.4 命名规范类

2.4.1 约定

1) 数据库对象命名清晰，尽量做到见名知意，在进行数据库建模时备注对象，便于他人理解。

2) 数据库类型为MYSQL,采用全小写英文单词

3) 数据库类型为ORACLE，则使用驼峰式命名规范

4) 数据库对象命名长度不能超过30个字符

3 管理范围

管理数据库中所有对象，包括库，表，视图，索引，过程，自定义函数，包，序列，触发器等

3.1 建库

1) 数据库名：采用小写英文单词简拼或汉字小写拼音,多个单词或拼音采用下划线"_"连接

2) 数据库编码规则及排序规则：字符集（utf8mb4），排序规则（utf8mb4_general_ci）

3) 建库其他要求：库名与应用名称尽量一致

3.2 建表

表名应使用名词性质小写英文单词。如果需要单词词组来进行概括，单词与单词之间使用英文半角输入状态下_连接。如果超长，则从前面单词开始截取，保留单词前三位，保留完整的最后一个单词，如果依然超长，则保留前面单词首字母，直接和最后一个单词连接；临时表命名以TMP开头，命名格式为TMP_模块/用途名称_名字拼音首字母；表名不能直接采用关键字命名

1) 表命名：采用“业务名称_表的作用”格式命名（例如：alipay_task / force_project / trade_config）

2) 建表其他要求：表名长度不能超过30个字符；一定要指定一个主键字段；必须要根据业务对表注释；如果修改字段含义或对字段表示的状态追加时，需要及时更新字段注释；

3) 表必备字段：

`is_delete` tinyint(1) unsigned NOT NULL DEFAULT '0' COMMENT '状态（1删除、0未删除）',

`is_enabled` tinyint(1) unsigned NOT NULL DEFAULT '1' COMMENT '状态（1启用、0作废）',

`op_first` varchar(50) DEFAULT NULL COMMENT '创建人',

`op_first_time` datetime DEFAULT NULL COMMENT '创建时间',

`op_last` varchar(50) DEFAULT NULL COMMENT '更新人',

`op_last_time` datetime DEFAULT NULL COMMENT '更新时间',

3.3 建字段

1) 字段命名：

表中标识唯一性字段必须以标识性简称+id命名。其余字段根据存储信息，使用名词性质英文单词表示，如需要单词词组来进行概括，单词与单词之间使用英文半角输入状态下_连接。外键引用字段使用外键表_id的形式命名；字段名必须使用小写字母或数字，禁止出现数字开头，禁止两个下划线中间只出现数字；表达是与否概念的字段，必须使用 is_xxx 的方式命名，数据类型是 unsigned tinyint；表达逻辑删除的字段名 is_deleted，1 表示删除，0 表示未删除

2) 字段类型、长度

如果存储的字符串长度几乎相等，使用 char 定长字符串类型；小数类型为 decimal；id 必为主键，类型为 bigint unsigned；应尽量以自增INT类型为主键；优先选择符合存储需要的最小的数据类型；将字符串转化为数字类型存储；对于非负数据采用无符号整形进行存储signed int -2147483648-2147483648，unsigned int 0-2147483648，有符号比无符号多出一倍的存储空间；varchar(n) n代表字符数，不是字节数，varchar(255)=765个字节，过大的长度会消耗更多的内存；避免使用text\BLOB数据类型，建议text\BLOB列分离到单独的扩展表中，text\BLOB类型只能使用前缀索引；避免使用enum数据类型，修改enum需要使用alter语句，enum类型的order by操作效率低，需要额外操作，禁止使用数值作为enum的枚举值；尽可能把所有列定义为not null，索引null列需要额外的空间来保存，所以要占用更多的空间，进行比较和计算时要对null值做特别的处理；禁止字符串存储日期型的数据，缺点1：无法用日期函数进行计算和比较，缺点2：用字符串存储日期要占用更多的空间；使用timestamp或datetime类型存储时间，timestamp存储空间更小；财务的相关金额使用decimal类型，decimal类型为精准浮点数，在计算时不会丢失精度，float、double非精准浮点数

3) 字段其他要求

字段名称长度不能超过30个字符、尽量减少或者不使用联合主键、字段尽可能不允许为null(为null时设定默认值)、文本类型字段，属性 字符集（utf8mb4），排序规则（utf8mb4_general_ci）、字段必须根据业务进行注释。

3.4 建索引

主键索引名为 pk_字段名；唯一索引名为 uk_字段名；普通索引名则为 idx_字段名。

说明：pk_ 即 primary key；uk_ 即 unique key；idx_ 即 index 的简称。

3.5 创建数据库表视图

1) 视图命名：以"v_项目名/模块名_用途"格式命名

2) 视图其他要求：视图名称长度不能超过30个字符

3.6 建存储过程及自定义数据库函数

1) 存储过程命名：以"sp_用途"格式命名

2) 自定义数据库函数：以“fn_用途”格式命名

3) 存储过程或自定义数据库函数：参数命名以“p_”开头命名；内部变量命名以“v_”开头命名；游标命名以“cur_loop_”开头命名；循环变量命名以“i_found_”开头命名。

3.7 建数据库用户

用户命名：采用授权用户姓名全拼小写命名

3.8 其他要求

1) 查询大数据表，参数字段需建索引；

2) 数据库表、字段删除或变更操作（a-不需要的表或字段，一般备注“作废”即可;b-需要修改的表或字段，先备注作废原表或原字段，再创建新表或新字段，且备注好作废原因。）；

十、数据库类型有哪些，目前主流数据库是哪种？

关系型数据库，非关系型数据库（NoSQL），键值（Key-value）数据库。主流的数据库那就是关系型数据库了，特别是关系型数据库中的分布式数据库。墨天轮最新排名（2022.11）数据库前十榜单中关系型数据库占了1-9名，前二十榜单中也仅有两个非关系型数据库。关系型数据库之所以占了绝大部分数据库份额，是因为关系型数据库作为成熟的数据库技术理念，其精髓的范式设计，严谨的一致性，原子性，完整性等优势是无法被取代的。

AntDB在运营商深耕了十几年，覆盖了OLTP与OLAP场景，是非常典型的HTAP类型的关系型数据库，业务覆盖计费、CRM等核心交易，同时覆盖清算分析等分析型业务。比如AntDB数据库服务于中国电信某省计费系统上云，包含数据层、批价和出账流程等大规模业务。在系统设计上，将资源、资产等交易热数据迁移到AntDB数据库，极大地提高了业务关键数据的访问效率，整体提高了话单事务的处理性能。AntDB数据库支撑10亿用户的通信交易场景，进行在线交易与数据分析处理的HTAP混合负载，帮助客户解决核心系统解决海量数据管理难题，基于分布式的架构设计，实现了在线弹性伸缩、强一致性事务、跨机房高可用等能力。