预后数据查找的几种方法
昨天我们公布了生信人整理的公开数据中免疫治疗的队列数据，其中重要的是生存的数据。后台有小编问很多时候不清楚某一套数据集到底有没有预后的信息，到底应该怎么确定，自己还是不太有把握。
今天小编就抛砖引玉，简单的说下几种确定样本有没有预后信息的方法。
生信分析，第一步就是要找数据，当自己手头的数据不足或者随访信息不全面时，可以优先考虑公开数据库的数据，毕竟公开数据的数据也已经相当丰富了。
图1：NCBI，SRA数据overview
首先我们要考虑的公开数据网站，小编建议先TCGA、ICGC及其他独立网站，后GEO和EBI。
说下原因TCGA数据库是公认的数据质量，随访信息，各个组学数据都比较全面的数据库，多为测序数据，满足多用途的挖掘需求。同样其缺点也很明显，就是大家都会集中在这些数据上挖掘，如何出彩是比拼的重点。
同样对于ICGC、CGGA等这些独立的队列数据库，也是一样的逻辑，就看谁能第一时间掌握最新的数据出炉，基本上这些数据出现就是一批文章。
再后面说下GEO数据库，它的特点是数据量大，包括样本，包括各个组学和平台的数据，多为芯片数据，同样也会存在杂而不精的现象。之前生信人推广的工具，完美的解决了RNA-seq和芯片合并的问题，今天我们再来解决下GEO数据的第二个问题，临床信息整理的不规范。
大家都知道数据分析，离不开样本的随访信息，比如最关注的的预后信息。
但是GEO数据库的这一部分信息整理的相当不规范。我们介绍几种确定样本是否有临床信息的方法，供大家参考。
一、直接看样本信息。
以胃癌为例，搜索“gastric cancer ”检索出胃癌数据，直接点击样本看是否有随访信息。
像这种就直接可以确定为其有随访信息且能下载到。
二、看发表文章的配图
还是以胃癌为例，比如GSE26901这套数据，点击查看样本信息，展示如下：
没有预后信息，一般的生信人到这里就放弃了，不过小编还是建议你此时要多留意下，看看对应的文章。
对应文章发表在nature communication上，对应文章配图也有km曲线，可以明确的是这套数据是有临床随访信息的。
三、看发表文章的补充材料
如果确定了感兴趣的数据确实有临床随访信息，下一步就是如何获取的问题了。
有可能作者公布了，但是没有放在GEO的样本信息中，有可能放在了额外的一个临床信息表中，还有一种可能就是放在了文章的补充材料中。
以GSE26901为例，补充材料中可以看到对应的样本信息是有预后信息的，OS和RFS。
当然我们通过下载这个补充材料，还发现胃癌的5,6套数据都是有预后信息的。
相当于有意外收获。
通过这三种操作，基本上可以保证大概率不会漏掉信息，如果确定有预后信息，但是没法下载到，就可以给客户发邮件沟通了，这个时候就得看人品了。
其实还有另外一种更高维的方式，就是通过阅读感兴趣癌型的文献，对这个癌型了解透彻，基本就能全盘拿捏。这个比较适合临床医生，当然还有一种比较接地气的方法，就是紧跟数据的更新，比如我们的easyGEO，每天会爬GEO的数据，进行汇总，并进行预后信息的大概识别，基本上能满足大家的需求。
网友评论