TCGA-SARC 软组织肉瘤多组学实战（上）

软组织肉瘤（Soft Tissue Sarcoma, SARC）是一类异质性极强的间叶来源恶性肿瘤，组织学亚型多达数十种，临床表型、预后和治疗反应都差异巨大。TCGA-SARC 队列一次性整合了 271 例患者的临床随访 + 全转录组 + miRNA 表达数据，为我们研究亚型差异、预后因子和分子分型提供了一份完美的练手数据。本文是这套数据完整分析的上篇，把前 5 步走完：数据整合与样本筛选、临床描述、生存分析、亚型差异基因、GO/Hallmark 富集。下一篇会接着写：LASSO-Cox 预后模型、共识聚类、免疫浸润、WGCNA 模块、miRNA-mRNA 网络。

第一步 · 数据整合：4 个文件，1 个统一队列

UCSC Xena 上的 TCGA-SARC 数据包含 4 个核心文件：临床矩阵（106 个变量）、生存数据（OS / DSS / DFI / PFI）、mRNA 表达谱（log2 RSEM, 20 530 基因）、miRNA HiSeq（2 093 features）。我们先把它们按 sampleID 全部对齐，只保留肿瘤样本（barcode 末尾 -01），并过滤掉低表达和缺失太多的特征。

R · 01_data_preprocessing.R

# Tumor-only filter (TCGA -01 barcode)
mrna  <- mrna [, grepl("-01[A-Z]?$", colnames(mrna))]
mirna <- mirna[, grepl("-01[A-Z]?$", colnames(mirna))]

# 简化组织学亚型：8 大类 -> 6 大类（Desmoid/Other 太小后续剔除）
simplify_subtype <- function(x) { ... LMS, DDLPS, UPS, MFS, MPNST, SS, ... }

# 与生存数据合并
meta <- merge(clin_sub, surv, by = "sampleID")

第二步 · 临床描述：先把队列特征讲清楚

在任何统计建模之前，先把临床特征摸清楚是必修课。我们看 4 件事：亚型占比、年龄分布、性别构成、死亡事件率。

2.1 亚型分布

Figure 1. TCGA-SARC 6 个主要组织学亚型的样本数。LMS 占比最大（112 例，>40%），DDLPS 与 UPS 紧随其后，MPNST 与 SS 是相对罕见的少数派。

2.2 年龄分布按亚型

Figure 2. 各亚型患者年龄密度曲线。SS 显著年轻（中位 ~30 岁），UPS 最年长（中位 ~68 岁），符合临床流行病学常识。

2.3 综合 dashboard

Figure 3. TCGA-SARC 临床特征综合 dashboard：亚型分布 + 性别构成 + 年龄密度 + 死亡事件率四联图。

第三步 · 生存分析：KM 曲线 + 单/多变量 Cox

生存分析是 TCGA 数据最经典的分析层。先按亚型和年龄做 Kaplan-Meier 曲线，再做单变量和多变量 Cox 回归，把临床预后因子一网打尽。

3.1 按组织学亚型的 KM 曲线（OS）

Figure 4. 6 个亚型的 OS Kaplan-Meier 曲线。曲线之间整体分离不算极端，但 MPNST 与 DDLPS 显示出较差的预后趋势。

3.2 按年龄分组的 KM 曲线

按年龄分 3 组的 OS 曲线 — Figure 5. 按年龄分 3 组（≤50 / 51-65 / >65）的 OS 曲线。年龄越大预后越差，趋势十分清晰。

3.3 PFI（无进展间期）按亚型

Figure 6. 各亚型的 PFI 曲线。DDLPS 与 MPNST 进展最快，与 OS 上的预后排序一致。

3.4 单变量 Cox 森林图

3.5 多变量 Cox 森林图

第四步 · 亚型差异基因：每个亚型 vs 其它

使用 limma 的 cell-means 设计（~0 + subtype），逐一比较每个亚型 vs 其它亚型均值。阈值取 |log2FC|>1 且 adj.P<0.05。

R · 04_differential_expression.R

design <- model.matrix(~0 + subtype, data = meta)
contrast_string <- sapply(subs, function(s) {
  others <- setdiff(subs, s)
  paste0(s, " - (", paste(others, collapse=" + "), ")/", length(others))
})
contrast_matrix <- makeContrasts(contrasts = contrast_string, levels = design)
fit2 <- eBayes(contrasts.fit(lmFit(expr, design), contrast_matrix))