项目背景
某高校研究生，研究方向为肿瘤预后模型。在无测序经费的情况下，利用 GEO 和 TCGA 公共数据库完成了一项 三阴性乳腺癌预后预测模型研究，发表于 Briefings in Bioinformatics（IF 9.5）。
数据来源
| 数据库 | 数据集 | 样本数 | 用途 |
|---|---|---|---|
| GEO | GSE103091 | 250 | 训练集 |
| GEO | GSE21653 | 266 | 验证集 1 |
| TCGA | BRCA（TN亚型） | 180 | 验证集 2 |
| TCGA | 临床信息 | 180 | 生存分析 |
分析流程
- 数据下载与整理：GEOquery + TCGAbiolinks 下载表达矩阵和临床信息
- 批次校正：ComBat 校正 GEO 和 TCGA 的批次效应
- 差异分析：limma 筛选差异基因
- WGCNA：鉴定与预后相关的基因模块
- LASSO 回归：构建预后 signature
- 生存分析：Kaplan-Meier + Cox 回归验证
- 列线图：rms 包构建临床预测模型
服务器配置需求
该分析主要使用 R 语言，内存需求集中在 WGCNA 和批次校正：
- 最低配置：16 核 / 32GB / 1TB（够用但 WGCNA 受限）
- 推荐配置：32 核 / 64GB / 2TB（舒适完成全流程）
- 存储重点：GEO 原始 FASTQ 下载约 200GB，TCGA 约 100GB
关键经验
零测序费 ≠ 零成本。虽然数据免费，但分析需要一台内存充足的服务器。32GB 内存的个人电脑跑 WGCNA（500+ 样本）会崩溃，64GB 服务器是最低门槛。同时，预装 R/Python 环境和常用包（Seurat/DESeq2/WGCNA/clusterProfiler）可以节省大量环境配置时间。