BioEASE 🧬

一站式生物信息学数据分析平台 — 从 TCGA 数据下载到生存分析，零门槛开箱即用。

[

✨ 功能特性

🔬 数据获取

• TCGA 数据自动下载 — 一键从 GDC 接口获取 TCGA 肿瘤样本的基因表达矩阵、临床元数据
• 多癌种覆盖 — 支持所有 TCGA 收录的 33+ 种肿瘤类型

📊 差异表达分析

• 自动化差异分析 — 对正常组织 vs 肿瘤组织进行差异表达基因（DEG）筛选
• 多重校正 — 内置 FDR 校正，支持 p-value / Log2FC 阈值自定义
• 可视化结果 — Volcano Plot / Heatmap 等图表直接导出

🧪 生存分析

• Kaplan-Meier 曲线 — 按基因表达高低分组，绘制生存曲线
• Cox 比例风险模型 — 多因素生存回归，输出 HR / 95%CI / p-value
• TAA 生存分析 — 肿瘤相关抗原（TAA）专项分析，筛选预后biomarker

🖥️ 可视化界面

• Streamlit 前端 — 浏览器直连，数据上传、分析、导出全程可视化
• 无需 R 语言基础 — 所有 R 分析引擎化，一键调用

🎯 适用场景

场景	说明
🎓 科研入门	生信零基础也能完成完整的 TCGA 分析流程
📝 论文写作	直接输出 publication-ready 图表
🔬 生物课题	快速筛选癌症预后相关基因
🏥 临床转化	探索 TAA 作为潜在biomarker

📁 项目结构

bioease/
├── download_TCGA_data.R     # TCGA 数据下载脚本
├── analysis.R               # 差异表达 + 生存分析
├── upregulated_TAA_survival_analysis.R  # TAA 专项分析
├── front.py                 # Streamlit Web 界面
├── launcher.py              # 一键启动器
├── pyproject.toml           # Python 依赖配置
└── results/                 # 分析结果输出目录

🚀 快速开始

前置依赖

• Python 3.10+
• R 4.0+
• R 包：TCGAbiolinks, survival, ggplot2, patchwork

安装 R 依赖

# 在 R 控制台运行
install.packages(c("TCGAbiolinks", "survival", "ggplot2", "patchwork"))

安装 Python 依赖

pip install streamlit requests pandas numpy

运行

# 1. 下载 TCGA 数据
Rscript download_TCGA_data.R

# 2. 执行分析
Rscript analysis.R

# 3. 启动可视化界面
python front.py
# 浏览器打开 http://localhost:8501

📈 输出示例

• volcano_plot.pdf — 差异基因火山图
• heatmap.pdf — 差异基因热图
• survival_plot.pdf — Kaplan-Meier 生存曲线
• cox_results.csv — Cox 回归结果表
• results.rds — 完整分析结果（支持后续自定义可视化）

🛠️ 技术栈

层级	技术
数据下载	GDC API (TCGAbiolinks)
统计分析	R (survival, ggplot2)
可视化界面	Python (Streamlit)
数据格式	RDS / CSV / TSV

📖 相关文档

• TCGA Official — TCGA 数据库官方文档
• TCGAbiolinks — Bioconductor TCGA 分析包
• Survival Analysis in R — R 语言生存分析教程

📝 License

MIT License © 2024 RomanCohort

---

如果你觉得 BioEASE 有帮助，请点一个 ⭐ Star！