做生物信息分析的朋友，估计都被TCGA数据折磨过。尤其是搞临床相关性分析的时候，最头疼的就是分期数据不全。很多小伙伴问，什么网站可以做TCGA病理分期？其实这个问题背后，是你没搞懂数据源的层级。

先说结论，没有哪个单一网站能一键“做”出完美的分期，因为TCGA原始数据里，临床信息是散落在不同文件里的。你得自己拼。

很多人第一反应去TCGA官网。别去了，那个界面比上个世纪的网页还难用。下载个manifest文件都要半天，而且里面的临床数据格式乱七八糟，有的叫Stage，有的叫Pathologic Stage，还有的直接是空的。你下载下来，对着Excel发呆，这谁顶得住。

我推荐你直接用cBioPortal。这是目前最省心的选择。

为什么？因为人家帮你清洗过了。你进去搜个BRCA或者LUAD，点进那个病例详情，左边栏有个“Clinical Data”。里面直接就有Pathologic Stage。虽然有时候会显示Unknown，但至少结构是统一的。你可以直接导出CSV，扔进R或者Python里处理。对于新手来说，这能省掉80%的麻烦。

但如果你追求更底层的数据，或者cBioPortal里某些罕见癌种的分期缺失严重，那就得去UCSC Xena。

UCSC Xena的数据更新比cBioPortal快，而且它把临床数据和表达矩阵整合得更好。在UCSC Xena里，你不仅能看到分期，还能看到生存时间、复发状态等。不过要注意，UCSC Xena里的临床数据也是基于GDC（Genomic Data Commons）的。有时候你会发现，某些样本的分期信息在GDC里就是缺失的，这是官方数据的问题，不是你的问题。别硬找，找不到的就标记为缺失值，在统计时剔除或插补。

还有一个容易被忽视的地方，就是TCGA的原始临床文件。如果你非要自己处理，得去GDC Data Portal下载Clinical文件。那里有Patient和Sample两个级别的临床数据。Sample级别的通常更详细，包含具体的TNM分期。但是，这里的文件格式是TSV，而且列名非常不规范。有的叫“pathologic_stage”，有的叫“clinical_stage”。你得写个脚本去映射这些列名。这个过程很枯燥，但如果你要发高分文章，审稿人可能会问你数据的具体来源和清洗过程，自己处理一遍心里更有底。

我有个学生，之前为了凑数据，直接从网上下载别人处理好的TCGA数据。结果发现分期数据全是1，或者全是0，明显不对。后来他老老实实去cBioPortal重新下载，虽然花了一周时间整理，但最后做出来的Kaplan-Meier曲线才经得起推敲。

这里有个小坑，TCGA的分期标准在不同癌种里是不一样的。比如乳腺癌和肺癌的TNM分期定义就有细微差别。你在做生存分析的时候，最好先查一下对应癌种的AJCC分期手册，确认你用的分期标签是否准确。不要想当然地把Stage I和Stage II合并，那样会引入巨大的偏差。

另外，关于数据缺失的问题。我在处理结肠癌数据时发现，大约有15%的样本病理分期缺失。这在高通量数据里很常见。不要盲目删除这些样本，除非你的样本量巨大。可以用多重插补法，或者干脆把缺失作为一个独立的类别加入分析。当然，这取决于你的研究目的。如果研究重点是早期筛查，那缺失的数据确实没用；如果是研究晚期预后，那缺失可能意味着病情复杂，本身就有信息量。

最后，总结一下。别纠结于“什么网站可以做TCGA病理分期”这个表面问题。核心是你要清楚数据的来源和清洗逻辑。cBioPortal适合快速验证和初步分析，UCSC Xena适合深入挖掘，GDC适合需要原始数据的硬核玩家。根据自己的需求选工具，别盲目跟风。

记住，数据清洗占分析时间的70%。耐住性子，把基础打牢，后面的建模和分析才能顺风顺水。要是连分期都搞不清楚，后面的差异表达、通路富集全是空中楼阁。

希望这篇能帮到你。如果有具体的癌种分期问题，可以在评论区留言，我尽量回。毕竟，大家都不容易，互相帮衬一下。