医知圈
TCGA数据库除了有各种癌症的大样本数据外，还有很完善的临床数据，这点是其他数据库所缺少的，因此我们需要会从TCGA数据库中提取对应癌症的临床数据，然后利用这些数据来进行后续的分析（比如想知道某个基因的表达对病人的预后是否有影响）。
以乳腺癌为例，按照某生物信息公司给的视频教程，其要求学员是下载一个metadata文件，其实这个文件笔者查看了以后，的确是不完整。
那么，完整的文件在那呢，笔者发现了一个xml文件，这才是最全的临床数据文件，总共有1097个样本的临床数据，一个样本一个文件，格式为xml
。
关于此文件提取和临床数据整理，笔者感觉特别的繁琐，然后自个试编程了一个脚本文件，想自动提取，结果发现成功了，开心。代码就不公布了，大家自个去写吧。
写本文的目的就是想告诉大家，要想完整的临床资料，给大家一个意见，提取XML格式的更合适。
下面先以xml文件的临床数据为例，里面记录上了上百条临床信息数据，由于其是用xml来存储数据的，所以我们需要先了解我们需要提取的临床信息在xml里面叫啥名字，比如我需要发病年龄（age_at_initial_pathologic_diagnosis）、性别（gender）、TMN分期（stage_event-tnm_categories-pathologic_categories-pathologic_T， stage_event-tnm_categories-pathologic_categories-pathologic_M， stage_event-tnm_categories-pathologic_categories-pathologic_N）， 生存状态（vital_status）以及生存时间（follow_ups-follow_up-days_to_death），当然还有一个是患者样本的id（bcr_patient_barcode）。
下面是用代码对上述信息的提取，对于xml格式，而且从文件中内容的排布来看，几乎是一条临床信息一行，因此我习惯用perl或者R来处理这种格式。
这里临床xml文件里面我发现其实有分两部分，前一半是旧的临床数据（或者说原始的？），后半部分是update的临床数据（我也不确定是否是这么理解），还好代码会自动以最后出现的数据为准，所以暂时是不没问题的，单个文件的结果如下，列名依次为病人样品id，年龄，性别，TMN，生存状态以及生存时间.
当然我们不可能每个样本都跑一次上述的代码，我们需要用perl语言自动读取目录下所有文件，然后依次处理文件，然后将结果输出到一个文件中，最后形成一个文件包含所有病人的临床信息.
联系客服
