一、核心数据库资源
1. SEER数据库
由NCI管理的权威癌症流行病学数据库，覆盖美国28%-34.6%人口，包含超千万病例的临床信息。
数据内容：发病率、死亡率、生存率、人口统计特征及治疗信息。
应用方向：癌症趋势分析、治疗效果评估、预测模型构建。
访问限制：2025年4月起，中国用户无法直接访问病例级敏感数据，但可通过国际合作间接获取分析结果。
2. TCGA数据库
NCI与NHGRI联合开发的癌症基因组数据库，涵盖33种癌症类型、超2万样本的多组学数据（基因组、转录组、表观组等）。
优势：数据质量高、临床信息全面，支持非实验性研究发表高分论文。
工具推荐：
下载工具：GDC Data Portal、TCGA biolinks（R包）。
分析工具：R/Python（如Pandas、Scikit-learn）。
3. NCDB数据库
美国外科医师学会与癌症学会联合组建，覆盖全美70%新发癌症病例，侧重临床治疗过程和结局分析。
二、数据挖掘方法
1. 技术流程
数据预处理：清洗缺失值、标准化、格式转换（如基因表达数据对数化）。
分析方法：
差异表达分析、共表达网络分析（TCGA）。
生存分析、预后因素评估（SEER）。
机器学习模型（如预测生物标志物）。
2. 工具与代码
SEER：Cox比例风险模型、标准化死亡率计算。
TCGA：
```r
使用TCGAbiolinks下载数据示例
query <
GDCquery(project = "TCGA-BRCA",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification")
GDCdownload(query)
data [5]
