第18章 钱余的计划（2）63（1 / 2）
听完钱余的问题，博士生率先开了口。不过他并没有提太多建议，反而有些抱怨。
“我认为，这一计划自然是要找现成的突变体，或者……由我们自己‘诱发’斑马鱼突变咯。”
“只可惜我们研究的斑马鱼——现有的‘突变体库’实在太少。”
“我女朋友在高校研究肿瘤细胞，她从网上那些可用的数据库里筛选，基本上能够‘一抓一个准’，可令我眼红啦！”
博士生说着说着，忽然感觉自己是“输在了起跑线上”。
钱余也不禁笑着点了点头，算是同意了他的说法。
确实，说起大型的“库藏”资源受益者，最令钱余羡慕的，当属陈幸和郭子昱。
这小两口都研究癌症，而公共医疗数据库收集的资源，大多包括癌症患者的基因组数据——癌症患者通常会出现某些肿瘤相关基因的突变，当这些基因呈现表达异常的时候，人类体内便可能出现肿瘤细胞，继而形成癌症。
这些患者对于其他“无瘤”的健康人来说，就称得上是“突变体”了。
钱余接着评价道：“不过呀，数据资源虽然有，但是要完成数据处理，科研人员也必须经历一番周折。”
于是，钱余向学生们解释了何为“一番周折”。
多年以前，郭子昱刚考上研究生。
当时他的硕士导师，手头上积累的临床数据不足，又没有多余的经费请公司做生物芯片。因此导师希望能从公共数据库中，获取可用的数据资源，从而挖掘潜在的“肺癌耐药相关因子”——于是，刚入学不久的郭子昱，分到了这项重要的任务。
在全球范围内，可供免费获取的医学公共数据库的确不少。
当年肿瘤医生用得最多的，是美国国家癌症研究所开发的“癌症基因组图谱”数据库，又称“TCGA（TheCancerGenomeAtlas）”。
该数据库涵盖了33种肿瘤类型，收录并上传了多方研究者提供的癌症临床数据，包括肿瘤组织、正常组织、癌旁对照组的各项图谱——基因组、转录组、表观基因组、蛋白质组数据，以及患者的肿瘤病理、癌症分期、生存情况等。
从网上获取原始数据并下载，倒也难不倒郭子昱，令他头疼的，主要是后期数据的处理问题。
TCGA提供的数据集，样本量非常大。每一个样本，均以字母和数字的组合来命名，以便于相互区分并归类。因此，数据使用者需要有一定的计算机编程基础，例如掌握R语言、Python、Perl或Linux操作系统等。同时，使用者必须具备扎实的统计学理论知识，才能利用这些语言编辑器，从庞大的数据中获取自己想要的“精髓”部分。
郭子昱虽然有统计学的底子，本科也修过《生物信息学》，但他的信息学基础相对薄弱——如今让郭子昱这只“菜鸟”直接上升到应用层面，他自然是吃不消的。
“我每天看着这一行接一行的R语言代码就‘头大’。”当时郭子昱向陈幸诉苦，“还不如让我值一周的大夜班呢！”
陈幸建议道：“问问你的师兄师姐呀，他们应该也做过类似的数据处理吧。”
“做倒是做过，不过啊——他们用的那些代码，基本都是从网上‘复制粘贴、生搬硬套’的，没有多少是属于‘自己的东西’。”
网上的相关代码“满天飞”，可谓五花八门——虽然大多也能“殊途同归”，将各类数据进行归类处理。但这些代码毕竟是“提供者”自己写的，需要“使用者”逐字逐句看懂。有时一旦更改了某个看似无关紧要的代码，便可能出现“系统报错”，或者得出“南辕北辙”的处理结果。
还有不少生物相关行业，开始专程开班授课，教授广大科研人员如何利用R语言，对各大数据库的数据进行分析处理。
当时陈幸进实验室也才半年，尽管她自己的信息学基础扎实，但她也从未接触过如此庞大的数据处理。于是，陈幸求助于实验室的各位“前辈”。
“TCGA提供的代码有些繁琐，而这网上的呀，终归不是自己写的，用着总是有些不放心的。”
“我们手头上都有现成的代码，你到电脑上拷贝一份就行——不过呢，你最好还是自己写一套，这样以后用着也安心不是？”
师兄师姐们都很热心，陈幸就顺势拷贝了一份代码，交给了郭子昱。
但郭子昱最终还是听从了“前辈们”的建议——他咬了咬牙，充值了某个生物培训机构的“VIP终身会员”，下决心从头学起，一步一个脚印。
陈幸也陪着他，两人一路扶持——从基础R语言学习，到利用代码下载并处理数据，直至从数据库中，发现潜在的癌症相关因子——最终，郭子昱总算是“过五关、斩六将”，解决了自己科研生涯的“第一道难题”……
钱余看着眼前的博士生，见他依旧一脸难过，真不忍心再继续打击他。
“研究肿瘤等疾病的科研人员，确实很有优势——他们可以从现有的资源库中筛选课题。”
“除了TCGA，还有源自欧洲的Oncomine癌症基因芯片数据库，国际癌症基因组数据库ICGC等等。”
“再结合NCBI开发的高通量基因表达数据库GEO，以及基于上述数据库开发的各类网站、软件——譬如，cBioPortal癌症基因组数据探索，UCSCXena基因组浏览器，miRCancer癌症小RNA数据库，TIMER肿瘤免疫浸润数据库，Kaplan-Meier生存曲线绘图仪，GEPIA数据库可视化网站……可谓数不胜数。”