小丫改进了讲解方式，先铺垫背景，提出问题，然后讲解决方案，最后举出实际应用案例。
看效果，求反馈。
从基础研究人员到临床医生，TCGA，无人不知无人不晓。
没听说过TCGA？你一定错过了这些：《TCGA教程大合集：不会编程是常态，但永远难不倒努力前行的临床医生》
TCGA能回答什么问题？
基因在哪个癌症里变异（mutation/deletion/amplification）频率高、表达量高？
基因的哪个结构域经常出现变异？
哪些基因跟它一起/不一起变？有没有可能是合成致死基因对？
这个基因的变异/高低表达影响了生存期吗？
基因的蛋白质水平和翻译后修饰水平有木有变化？
回答这些问题有什么用？如果不知道，你需要看这篇：《课题设计：收不完的病人查不完的房，临床医生如何快速地设计一个靠谱的课题？》
从TCGA看到突变和表达差异，推测功能，做实验看到表型，证明了功能，能发paper；想发高分，要做机制。
基因通过怎样的调控机制发挥功能？
转录调控是机制研究的永恒主题。从转录调控这个最核心的调控机制入手，回答这个问题，无非是谁调控了它，它又调控了谁的问题。
《哪个蛋白质调控我感兴趣的基因？》给出了研究某个基因受谁调控的策略和方法：
Plan A：基于大量ChIP-seq公共数据挖掘
Plan B：motif分析预测
Plan C：ATAC-seq结合motif分析
《转录因子调控了谁？》给出了从基因组水平找靶基因的策略和方法：
Plan A：RNA-seq。直接调控？间接调控？傻傻分不清
Plan B：ChIP-seq。最直接，最有效，与RNA-seq整合分析更准确
Plan C：ATAC-seq motif分析。没有ChIP级别抗体，也能准确找到靶基因
Plan D：基于motif预测，这是个垫底儿的
上面这两套策略挖掘了转录因子和靶基因之间的关系，怎样才能把TCGA数据分析或实验发现的表型跟这些机制结合起来呢？下面回答本篇的核心问题：
怎样把TCGA中看到的表型跟转录调控联系起来？
Cistrome家族的新成员——CistromeCancer解决了这个问题，文章发表于2017年11月的Cancer Research。
CistromeCancer，http://cistrome.org/CistromeCancer/，整合了Cistrome Data Browser的23000套ChIP-seq和DNase/ATAC-seq，以及TCGA 33个癌症类型10000个肿瘤患者的RNA-seq、WGS、WES、DNA甲基化和生存数据，把转录因子在各种癌症中的靶基因，以及各种癌症中enhancer的分布情况清晰直观的呈现出来。从近距离调控到远距离调控，一网打尽。
RNA-seq和ChIP-seq还有另外一种整合方式——BETA，同样出自Cistome。
小美女介绍CistromeCancer的功能和用法的视频。
用TCGA的RNA-seq算出表达相关性高（包括正负相关）的基因，用ChIP-seq找TF结合在哪些基因附近，综合考虑以上两条证据，准确预测靶基因。
功能一：点击进入Cancer Transciption Factor Targets，搜索转录因子的名字，就会看到它在哪个癌症中表达量高（RPKM，绿色方块），更active（Expression Ratio，紫色方块），靶基因预测更可信（TF ChIP-seq prediction power，青色方块）。
下方红色方块矩阵列出ChIP-seq找到的靶基因，能看到哪些癌症类型中靶基因多，哪个靶基因跟TF表达变化趋势一致（方块呈红色），哪些相反（方块呈蓝色），ChIP-seq regular potential score越高，方块越大。
功能二：计算两个TF的靶基因有多少是重叠的，推测它俩的关系。
上面两个功能是CistromeCancer特有的。
下面两个功能其他工具也有，在这里一站解决，很贴心的设计。
功能三：生存分析
功能四：肿瘤跟normal对比表达量RPKM
另外，CistromeCancer还有一个enhancer功能模块，用H3K27ac的ChIP-seq数据和DNase-seq数据标出了TCGA每个癌症类型的enhancer分布，改天详细介绍其应用。
用CistromeCancer阐释调控机制的案例
研究一个转录因子，用TCGA数据推测出它是原癌基因，想知道它发挥作用的机制。通过回答下面两个问题来阐释这个转录因子的作用机制：
它的靶基因参与哪些生物学通路？
它跟哪些转录因子的binding profile相似？
这篇文章还很贴心的举了两个应用案例，Figure和结果描述都可以放到research paper的正文里。
例子一
FOXM1在大多数癌症中都高表达（下图中的a），高表达FOXM1的乳腺癌患者预后较差（b）。FOXM1跟MYBL2, EZH2, E2F1, E2F2, E2F8, CBX3, TTF2, BRCA1,NCAPG, SSRP1, LIN9的靶基因有很大重叠（c）。其中FOXM1、E2F1、MYBL2的重叠最多，推测这3个转录因子在癌症中形成了regulatory module（d）。
这跟已有的报道一致：FOXM1在癌症相关生物学过程中高表达，包括细胞增殖、细胞周期、DNA损伤修复。
FOXM1的靶基因包括细胞周期调控因子cyclin B1和CENP-A，这与很多癌症类型中发现它们是FOXM1的靶基因一致。
例子二
STAT4在一种肾癌（KIRC）中高表达，高表达STAT4的患者预后差。STAT4的靶基因在KIRC中也都高表达，而且靶基因富集在免疫相关的功能，例如T-细胞激活、白细胞激活、免疫应答，这跟已知的STAT4的免疫相关功能一致。
同样有免疫细胞特异活性的IRF4，情况却不同。IRF4及其靶基因在结直肠腺癌（COAD-READ）中下调表达，高表达IRF4的患者预后更好。
用计算肿瘤免疫渗透的计算方法TIMER分析后发现，跟正常组织相比，KIRC的CD8 T细胞水平高，COAD-READ的CD8 T细胞水平低。CD8 T细胞的量跟KIRC中的STAT4和COAD-READ中的IRF4呈正相关。这表明KIRC中的STAT4和COAD-READ中的IRF4的转录活性影响的是免疫细胞的水平，而不是肿瘤细胞本身。
其他跨项目的整合分析（点击蓝色字，链接到技术贴）：
TCGA GTEx
GE-mini，用GTEx的健康人数据做为TCGA癌症样本的对照，在手机App上检索某个基因在癌症和normal中的表达量差异，发生差异表达的器官一目了然；
GTEx TCGA SRA
recount2，用GTEx、TCGA的RNA-seq和表型数据训练模型，建立方法，能够实现用RNA-seq数据预测表型。
GTEx ENCODE
eGTEx项目，打算把GTEx跟ENCODE整合起来，建立基因型、基因表达和疾病的联系。
联系客服
