用途：从 GDC Data Portal 下载的 TCGA bulk RNA-seq 数据出发，构建标准化表达矩阵、附加临床元数据并做生存分析，核心接口为 ov.bulk.pyTCGA。
必要输入：需准备三份资料——gdc_sample_sheet.<date>.tsv 样本表、解压后的 gdc_download_xxxxx/ 表达档案目录、clinical.cart.<date>/ 临床 XML/JSON 目录。
主要能力与用法：先 import omicverse as ov 并调用 ov.plot_set()；用 ov.bulk.pyTCGA(sample_sheet_path, download_dir, clinical_dir) 初始化，执行 adata_init() 生成含 counts、fpkm、tpm 层的 AnnData；再用 adata.write_h5ad(..., compression='gzip') 保存或 adata_read() 重新载入。随后 adata_meta_init() 完成基因 ID 到 symbol 映射与患者信息，survial_init()（注意拼写）初始化生存元数据，survival_analysis('MYC', layer='deseq_normalize', plot=True) 做单基因 Kaplan-Meier 曲线，survial_analysis_all() 扫描全部基因。
方法与限制：生存分析以表达中位数高低分组，计算 log-rank p 值，plot=True 时绘制带置信区间的曲线；推荐 layer='deseq_normalize'，也可用 layer='tpm'。API 存在拼写不一致：survial_init() 与 survial_analysis_all() 缺 v，而 survival_analysis() 拼写正确，写错会报 AttributeError。survial_analysis_all() 对约 2 万基因需 5–15 分钟，建议先筛选目标基因。临床 XML 缺少 days_to_death 或 days_to_last_follow_up 时会出现空图或 NaN p 值；须确保表达档案完整解压、来自同一次 GDC 下载。deseq_normalize 层在 adata_meta_init() 中创建，缺失时需重跑该步骤。官方教程页为 t_tcga，另有 reference.md 提供快捷命令。