GDCprepare样本重复报错，求R语言TCGA数据去重方案

问题原因 #

报错Error in GDCprepare(query_cnv) : There are samples duplicated. We will not be able to prepare it是因为同一组TCGA样本（如示例中的TCGA-ZF-A9RG-01A-21D-A42D-01;TCGA-ZF-A9RG-10A-01D-A42G-01）对应了ASCAT2、ASCAT3两种不同版本的拷贝数分析结果。直接用unique(query_results)无效，因为整行数据（除样本ID外的分析版本字段）存在差异，无法被unique()识别为重复行。

有效去重方案 #

方案1：查询阶段直接过滤版本（推荐） #

在构建GDCquery时指定所需的分析版本（如ASCAT3或ASCAT2），从源头避免下载重复样本：

# 重新构建查询，指定仅获取ASCAT3版本的CNV数据
query_cnv <- GDCquery(
  project = cancer_type,
  data.category = "Copy Number Variation",
  data.type = "Gene Level Copy Number Scores",
  analysis.workflow = "ASCAT3"  # 可替换为"ASCAT2"，按需选择
)

GDCdownload(query_cnv)
data_cnv <- GDCprepare(query_cnv)

方案2：已下载数据后修改query对象去重 #

若已完成下载，可通过修改query的结果集，按样本组去重并保留优先版本：

# 获取当前query的结果数据
query_results <- getResults(query_cnv)

# 按分析版本排序，优先保留ASCAT3（降序排序后ASCAT3会排在ASCAT2前面）
query_results_sorted <- query_results[order(query_results$analysis.workflow, decreasing = TRUE), ]

# 按cases列（样本组ID）去重，仅保留每组的第一个结果（即优先版本）
query_results_unique <- query_results_sorted[!duplicated(query_results_sorted$cases), ]

# 更新query对象的结果部分
query_cnv$results <- query_results_unique

# 重新执行数据准备
data_cnv <- GDCprepare(query_cnv)

补充说明 #

• 若你的样本ID是单个值（而非分号分隔的组），只需将上述代码中的cases替换为对应的样本ID列名即可。
• 选择ASCAT2还是ASCAT3取决于你的分析需求，ASCAT3是较新的版本，通常推荐优先使用。

内容的提问来源于stack exchange，提问作者Lance Zhang