信息速览
TARGET — 儿童肿瘤基因组项目 AI-Ready Wikipedia
INFOBOX
| 字段 | 内容 |
|---|---|
| 数据集名称 | TARGET（Therapeutically Applicable Research to Generate Effective Treatments）儿童肿瘤基因组项目 |
| 英文全称 | Therapeutically Applicable Research to Generate Effective Treatments |
| 别名/简称 | NCI TARGET program；TARGET initiative |
| 疾病分类（ICD-11） | 2A60 急性髓系白血病；2A61 急性谱系不明白血病；2A70 前体 B 淋巴母细胞肿瘤；2A71 前体 T 淋巴母细胞肿瘤；神经母细胞瘤（2A02 外周交感神经肿瘤）；肾母细胞瘤/髓母细胞瘤（2C90.Y） |
| SNOMED CT | 各癌种以 SNOMED 临床用语映射，经 GDC 临床字典统一编码 |
| 数据模态 | 全基因组测序（WGS）、全外显子测序（WES）、RNA 测序、miRNA 测序、甲基化/拷贝数芯片 |
| AI 任务类型 | 体细胞变异检测、驱动基因发现、转录组分型、突变谱分类、生存/复发风险预测、泛癌对比 |
| 样本总数 | 约 6,363 名知情同意受试者（dbGaP phs000218.v26） |
| 数据大小 | 无固定整包；GDC 累计协调发布 >55 TB 儿科数据（截至 2019 发布） |
| 数据格式 | FASTQ / BAM / VCF / MAF / GCT / TSV / XML（GDC 协调后 GRCh38） |
| 许可证 | NIH dbGaP Data Use Certification（DUC）+ TARGET Use and Publication Guidelines |
| 访问级别 | 受控（原始序列，dbGaP DAC 审批）+ 开放（汇总/临床/部分拷贝数） |
| DUO 标签 | DS-PEDCR（Pediatric Cancer Research，仅限儿科癌症研究） |
| 语言 | 临床元数据主要为英文 |
| 首发日期 | 2006 年项目启动（2009 年首篇 ALL 表征发表） |
| 最后更新 | GDC Data Release 31+（CCDI 目录更新至 2026-05-20） |
| 发布机构 | National Cancer Institute（NCI），Office of Cancer Genomics / Center for Cancer Genomics |
| 官方主页 | https://www.cancer.gov/ccg/research/genome-sequencing/target |
| 下载地址 | https://portal.gdc.cancer.gov/projects/TARGET-ALL-P1 |
| DOI | dbGaP phs000218（无单一论文 DOI；引用见 §8.5） |
| 引用次数 | 2,400+（旗舰 Ph-like ALL 论文 NEJM 2014，截至 2026-09） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— 官方 GDC 协调、开放+受控两轨、附 publication pages 与 API；扣分项：需 dbGaP 申请与 DS-PEDCR 限制、无现成 train/test 划分、多相多平台需自建预处理 |
| 页面状态 | published |
§0 E-E-A-T 与免责声明
本文档由 [千方病案医学编辑部] 交叉审核：§2 医学背景（儿童肿瘤 ICD-11/SNOMED 映射与流行病学）、§7 偏倚与伦理分析。
[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-09-05
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。TARGET 的原始序列为受控访问数据，须通过 NIH dbGaP 提出申请、获得 NCI DAC 审批并签署 Data Use Certification（DUC）；数据使用限制为 DS-PEDCR（儿科癌症研究专用）。开放访问的临床与汇总数据可从 GDC Data Portal 下载。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ TARGET 是美国国家癌症研究所（NCI）发起的儿科癌症基因组项目，对儿童难以治愈的肿瘤（急淋、急髓、神经母细胞瘤、肾母细胞瘤、骨肉瘤等）做"肿瘤-正常配对"的全基因组/外显子/转录组测序，找出驱动这些肿瘤的基因变异。约 6,363 名患者的信息经 dbGaP 受控共享，约 5,000 多例协调后数据可从 NCI 的 GDC 平台获取。
为什么重要？ 儿童肿瘤与同名成人肿瘤在基因上常截然不同，不能照搬成人治疗方案。TARGET 首次把大量"复发高危"儿童白血病按分子机制分型，找到了 Ph-like ALL 这类可被酪氨酸激酶抑制剂（如 imatinib）靶向打击的亚型，直接把基因组发现推向了儿科临床用药。
我能用它做什么？ 若你是计算生物学家/AI 研究者，可做体细胞变异检测、转录组亚型分类、驱动基因挖掘、复发风险预测或儿科-成人突变谱对比。原始序列需申请受控访问并遵守"仅限儿科癌症研究"的用途限制；开放部分（临床元数据、汇总变异、部分拷贝数/表达）可从 GDC 直接下载。
§1.1 技术摘要
TARGET 采用"配对肿瘤-匹配正常"的测序设计：多数病例在诊断时采集肿瘤样本，在缓解期采集匹配的组织（外周血或骨髓，部分经 FACS 纯化）作为对照，部分复发富集病例构成"诊断-缓解-复发"三联（trio）样本。项目由 NCI Office of Cancer Genomics（OCG）与 Cancer Therapy Evaluation Program（CTEP）联合管理，研究团队多数来自儿童肿瘤协作组 COG。数据覆盖 WGS、WES、RNA-seq、miRNA-seq、甲基化与拷贝数阵列等多模态，并整合临床预后信息（风险分层、总生存/无事件生存、MYCN 状态等）。NCI GDC 将这些原始数据统一协调到 GRCh38 参考基因组（默认基因模型 GENCODE v22），生成比对、体细胞变异（VCF/MAF）、表达定量等层级数据，按开放/受控两轨分发。TARGET 的旗舰发现包括 Ph-like ALL 的激酶激活变异图谱（Roberts 2014，NEJM）、跨 1,699 例的儿科泛癌驱动基因与突变谱（Nature 2018）以及混合谱系急性白血病（ALAL）的细胞起源解析（Nature 2018）。
从"发现"到"验证"的两段式研究设计。TARGET 多数病种按 Discovery/Validation 两阶段展开：Discovery 用全表征的高危/复发病例系统扫描变异，Validation 用更广的独立病例（例如 ALL 项目对前体 B-ALL 500 例 + T-ALL 250 例做 WES 校验候选变异的频率）验证候选事件在更大谱系中是否常见（来源 NCI ALL 页）。这决定了数据的"天然结构"：并非所有病例都有全模态表征，部分病例只有验证层级的有限测序。
平台演进与协调层。TARGET 早期（Pilot 阶段）以 WES + 基因表达阵列为主，随后扩展至 WGS/RNA-seq/miRNA-seq；同一项目在不同年代采用不同技术。为保证可比性，GDC 对全部 TARGET 原始序列统一重比对到 GRCh38 并跑统一流程（多 caller 变异、表达定量、miRNA 定量），形成"协调数据"这一分析主战场；早于协调流程的数据仍可在 GDC Legacy Archive 找到（来源 GDC FAQ）。对 AI 用户，这意味着应默认使用协调（GRCh38）版本，并明确记录所属 GDC Release。
实体辨析：别把四个"名字相近"的队列混为一谈。这是检索/复现时最常见的概念混淆，特此厘清：
| 名称 | 本质 | 与本文数据集的关系 |
|---|---|---|
| TARGET program（NCI） | 一整套儿科癌症分子表征研究计划 | 本文主体；GDC 中可按 TARGET-xxx project 检索其协调数据 |
| GDC 中的 TARGET 数据 | TARGET 存入 GDC 的开放/受控文件 | 你实际下载、训练的版本 |
| Nature 2018 pan-cancer（1,699 例） | 一篇跨癌种论文，使用了 COG 临床入组的配对肿瘤-正常测序 | 常被归到 TARGET，但分析由 St. Jude 主导，样本口径 ≠ GDC 中 TARGET 受控数据集全部 |
| St. Jude Cloud / PCGP | St. Jude 的儿科 WGS 资源 | 独立资源，部分病例与研究性分析重叠，但访问体系与 GDC 不同 |
推论：论文里写"1,699 例儿科泛癌"与"GDC TARGET 5,062 例协调数据"是两套数字、两套来源；引用分析结果时务必注明是"哪篇论文/哪个 release 的哪套数据"。
§1.2 战略价值
精准儿科肿瘤学的"信号源头"。 TARGET 的价值首先在于它把"复发高危"与"罕见亚型"做成富集队列，而不是泛泛的病例集合。例如高危前体 B-ALL 试点队列直接产出了 Ph-like 亚型与 IKZF1 缺失预后研究，为 COG 的靶向临床试验提供了分子纳入标准。对 AI 研究者而言，这类富集设计意味着可用相对少的样本量获得统计上足够强的驱动信号，是"少样本高信息密度"队列的典型范例，而非追求规模的大数据。
儿科与成人肿瘤的"对照锚点"。 由于 TARGET 突变率中位数远低于成人肿瘤（约 0.17~0.79 每 Mb，对照成人 1~10 每 Mb），它天然成为检验"成人体细胞 caller 与驱动基因集是否适用于儿科"的测试床。Nature 2018 已证多数儿科驱动基因不见于成人 pan-cancer 研究，提示迁移学习/基因集匹配类模型的边界——这构成了可操作的方法学价值。
NCI 儿科癌症基础设施的"枢纽"。 作为 NCI Center for Cancer Genomics 的代表项目之一，TARGET 与 GDC、Kids First、PedcBioPortal 形成互操作生态：GDC 统一协调并提供 API，Kids First 承载 AML/NBL 子集，PedcBioPortal 提供无代码可视化。对依赖多资源整合的研究团队，这意味着单一 dbGaP 授权即可串联多个下游平台，数据接入路径比孤立数据集清晰得多。
"复发"从表型到分子事件的范式示范。 TARGET 用纵向（诊断-缓解-复发）配对揭示"复发并非随机涌现，而是可被分子机制解释并预见"。这种把临床复发转化为可计算分子特征的做法，直接催生了后续基于 JAK/激酶通路的靶向试验，也为其他儿童实体瘤项目提供了"如何用少样本富集队列逼近临床可迁移发现"的样板。
§1.3 同类数据集横向对比
| 数据集 | 主导机构 | 队列规模 | 模态 | 疾病 | 差异化价值 |
|---|---|---|---|---|---|
| TARGET | NCI（OCG/CTEP） | ~6,363 知情受试者 | WGS/WES/RNA-seq/miRNA/甲基化 | 儿童难治白血病与实体瘤 | 复发富集 + 肿瘤-正常配对 + 临床结局 |
| TCGA（The Cancer Genome Atlas） | NCI/NHGRI | 约 2 万+ 原发性成人肿瘤 | WES/WGS/RNA-seq/甲基化/蛋白 | 33 种成人肿瘤 | 成人泛癌广覆盖，为对照金标准 |
| St. Jude Cloud / PCGP | St. Jude 儿童医院 | 数千例（含 WGS） | WGS/RNA-seq/临床 | 儿科肿瘤 | 开放云计算平台 + 家族性/生殖系数据 |
| ICGC Pediatric（pancancer） | 国际联盟 | 数百例 | WGS/WES/RNA-seq | 儿科泛癌 | 多国队列、国际协作视角 |
| Kids First | NIH（Gabriella Miller） | 数千例 | WGS | 儿童癌症与结构缺陷 | 生殖系 + 家族 trio，含 TARGET AML/NBL 子集 |
对比注意：表内"队列规模"口径各异（TARGET 为知情同意/协调例数、TCGA 为原发性肿瘤、Kids First 为受试者），不能直接做大小排序；横向比较时应统一到"可用协调病例数"或"测序样本数"等明确口径。TCGA 主要是成人数据，与 TARGET 儿科数据互补而非竞争——两者的突变率、驱动基因谱差异恰是许多研究的研究对象。
§1.4 版本时间轴
| 时间 | 里程碑 | 说明/来源 |
|---|---|---|
| 2005-05 | NCI 与美国癌症协会合办 Childhood Cancer Targeted Therapeutics Workshop | TARGET 概念前身（dbGaP ALL 历史） |
| 2006-10 | TARGET 正式启动 | NCI 与 FNIH 合作建立 |
| 2007 | 试点立项 | 首批高危 ALL 与神经母细胞瘤两试点 |
| 2009-01 | 首篇 ALL 表征发表（221 例） | 试点团队成果 |
| 2009-09 | ARRA 资金 | 扩展至 AML、骨肉瘤、Wilms |
| 2014 | Ph-like ALL 激酶图谱（NEJM） | 1725 例谱系 + 154 例详析 |
| 2015 | GDC 数据生产启动 | 统一协调至 GRCh38 |
| 2018 | 儿科泛癌 1699 例论文（Nature）；ALAL（Nature） | St. Jude 主导/协作 |
| 2019 | GDC 发布 >55 TB 协调儿科数据，新增 Pindel 调用 | GDC 博客（5,062 例 TARGET） |
| 2020+ | 数据冻结于 GDC 持续发布 | dbGaP phs000218 迭代至 v26 |
§1.5 典型应用场景
- Ph-like ALL 分型与激酶靶向：基于转录谱识别 BCR-ABL 样激酶激活基因表达特征，并筛选可被 TKI/JAK 抑制剂靶向的融合或突变。
- 儿科驱动基因与突变谱发现：泛癌扫描显著突变基因、亚克隆低 MAF 变异与 11 种儿科突变特征。
- 复发进化分析：利用诊断-缓解-复发三联样本追踪亚克隆在治疗压力下的消长。
- 转录-拷贝数整合分型：对实体瘤（NBL/WT/OS）做表达与拷贝数联合的分子亚型。
- 儿科 vs 成人迁移泛化测试：验证成人训练的变异 caller/驱动基因模型在低突变率儿科肿瘤上的泛化边界。
AI 任务 ↔ 数据支撑速查表（决定你先申请哪层、跑哪类任务）
| 你想做的 AI 任务 | 需要的字段/模态 | 访问层 | 起点建议 |
|---|---|---|---|
| 体细胞变异/驱动检测 | MAF 或 VCF + 病例-样本映射 | 开放 MAF / 受控 VCF | 用 MAF 跑 pipeline 原型 |
| 转录组亚型/Ph-like 分类 | RNA-seq 表达定量 + 亚型标签 | 开放（多数） | 先取 ALL/AML 表达 |
| 生存/复发预测 | OS/EFS + 时间 + 变异/表达 | 开放临床 + 组学 | Cox 框架起步 |
| 儿科 vs 成人对比 | 本数据 + TCGA 对照 | 开放 | 统一参考/特征后再比 |
| 多模态整合（拷贝数+表达） | 拷贝数 segmented + 表达 | 开放部分 | 先算交叠病例集 |
| 调用方法学评估 | 受控原始 + 开放 truth | 受控 | 需 DS-PEDCR 儿科用途 |
§2 医学背景
§2.1 ICD-11 编码映射
| 数据集内疾病 | ICD-11 编码 | ICD-11 名称（中文） |
|---|---|---|
| B 细胞急性淋巴细胞白血病（B-ALL） | 2A70 | 前体 B 淋巴母细胞肿瘤 |
| T 细胞急性淋巴细胞白血病（T-ALL） | 2A71 | 前体 T 淋巴母细胞肿瘤 |
| 急性谱系不明白血病（ALAL） | 2A61 | 急性谱系不明白血病 |
| 急性髓系白血病（AML） | 2A60 | 急性髓系白血病及相关前体细胞肿瘤 |
| 神经母细胞瘤（NBL） | 2A02 | 颅神经/椎旁/外周交感神经系统神经母细胞瘤 |
| 肾母细胞瘤 / Wilms 瘤（WT） | 2C90.Y | 肾母细胞瘤（nephroblastoma）等肾恶性肿瘤 |
| 骨肉瘤（OS） | 2B5（肌肉骨骼系统恶性肿瘤） | 骨肉瘤（长骨/骨恶性肿瘤） |
| 肾透明细胞肉瘤（CCSK） | 2C9（肾恶性肿瘤分类） | 肾透明细胞肉瘤 |
| 恶性横纹肌样瘤（RT） | 2B（间叶/软组织恶性肿瘤分类） | 恶性横纹肌样瘤 |
注：上表优先使用经检索核实的 ICD-11 编码（2A60/2A61/2A70/2A71 为造血淋巴肿瘤章节叶级码，肾母细胞瘤与椎旁神经母细胞瘤分别映射至 2C90.Y 与 2A02）。骨肉瘤/CCSK/RT 以 ICD-11 第 2 章相应分类段定位，临床编码请以 WHO ICD-11 浏览器最终解析为准。
§2.1b SNOMED CT 映射
| 标签 | ICD-11 | SNOMED CT 术语（概念名） | 说明 |
|---|---|---|---|
| 前体 B 细胞急性淋巴细胞白血病 | 2A70 | Precursor B-cell acute lymphoblastic leukaemia（91813002） | TARGET-ALL 主体 |
| 前体 T 细胞急性淋巴细胞白血病 | 2A71 | Precursor T-lymphoblastic leukaemia/lymphoma（190050009 家族） | TARGET-ALL 验证集含 T-ALL |
| 急性髓系白血病 | 2A60 | Acute myeloid leukaemia（91861009） | TARGET-AML |
| 神经母细胞瘤 | 2A02 | Neuroblastoma（432328008） | TARGET-NBL |
| 肾母细胞瘤 | 2C90.Y | Nephroblastoma（Wilms tumor）（21556005） | TARGET-WT |
| 骨肉瘤 | 2B5 | Osteosarcoma（21708008） | TARGET-OS |
SNOMED CT 概念名为通用术语表述（括号内为部分概念 SCTID 供检索，建议以 SNOMED International 浏览器核对后用于代码映射）。
§2.2 疾病简介与流行病学
儿童肿瘤在美国是 1~19 岁人群疾病相关死亡的首因，但占总体癌症比例很小。TARGET 聚焦的是"治疗不足、预后差"的亚型，而非所有儿科病例：
- ALL：儿童最常见癌症（约占儿童白血病 3/4 以上），5 年生存率已从 1970 年代中期约 61% 升至今日约 90%；但约每 5 名患儿仍有 1 人复发，复发后预后差——TARGET ALL 试点正是针对这类"高危复发"前体 B-ALL（来源 NCI ALL 页、NCI TARGET Initiative）。
- Ph-like ALL：占标危儿童 ALL 约 10%，随年龄上升，年轻成人大约 27%；呈 BCR-ABL 样基因表达但无 BCR-ABL 融合，91% 携带可靶向激酶激活变异，预后显著差（Roberts 2014，NEJM；来源 PubMed 25207766）。
- AML：儿童急性白血病中恶性度高的一类，TARGET 富集了大量儿童 AML 病例。
- 神经母细胞瘤（NBL）：儿童最常见的颅外实体瘤，源自交感神经系统，高危者多伴 MYCN 扩增，复发与生存差异大。
- 肾母细胞瘤（Wilms，WT）、骨肉瘤（OS）、横纹肌样瘤（RT）、肾透明细胞肉瘤（CCSK）：分别代表肾、骨、间叶/软组织来源的儿童实体肿瘤；CCSK 在 TARGET 中仅 13 例，属极端罕见亚型。
按癌种的 TARGET 分子发现（供流行病学与分子背景对照）：TARGET 对各癌种发表了病种级 overview，提示这些疾病虽有临床共性，却在分子驱动上高度异质：
| 癌种 | 关键分子发现 | 来源 |
|---|---|---|
| ALL | IKZF1 缺失预后；Ph-like 激酶激活谱；JAK 通路突变 | NEJM 2009/2014、NCI 综述 |
| AML | 儿童 AML 突变谱与成人相异，富集 KMT2A 等重排 | TARGET-AML 系列 |
| 神经母细胞瘤 | MYCN 扩增、ALK 突变、免疫/表达异质亚型 | NCI studied-cancers、独立免疫分型研究 |
| 肾母细胞瘤 | 与成人肾癌不同的驱动通路 | Nat Genet 2017 等 |
| 骨肉瘤 | TP53/细胞周期通路富集、高结构变异负荷 | Oncotarget 2017 等 |
| 横纹肌样瘤 | 以 SMARCB1 失活为核心 | Cancer Cell 2016 等 |
| 肾透明细胞肉瘤 | BCOR 相关融合驱动 | Oncotarget 2015 等 |
为什么这些"罕见+高危"癌种被纳入而非普遍癌种：NCI 明确指出入选标准基于三要素——治疗改善需求最迫切、已有 NCI 支持的肿瘤研究基础、存在可用于测序的组织库（来源 NCI TARGET Initiative）。这解释了为何 TARGET 在 CCSK/RT 等超罕见亚型上样本量极小却仍纳入：它们是药物开发被忽视的"孤儿"儿童肿瘤。对模型开发者而言，这意味着 TARGET 的疾病构成不能当作儿童肿瘤流行病学比例采样，而应视为"难治/复发富集 + 组织可得"的意图性样本。
§2.3 临床任务定义
| 临床任务 | 定义 | TARGET 数据支持 |
|---|---|---|
| 分子分型 | 依据基因表达/拷贝数/融合将临床同质疾病分成分子可区分亚群 | 转录组 + 拷贝数聚类（如 Ph-like、NBL 亚型） |
| 驱动基因发现 | 识别显著突变/融合/拷贝数事件中的功能性驱动 | WGS/WES 变异 + 泛癌显著性分析 |
| 复发/预后风险预测 | 以总生存 OS、无事件生存 EFS、复发状态为标签建模 | 病例含长期随访结局字段 |
| 靶点识别 | 判定可被 TKI/JAK/免疫等干预的分子事件 | 激酶融合/突变富集分析 |
| 儿科 vs 成人变异谱比较 | 定位仅存在于儿科的驱动与突变特征 | 低突变率 + 儿科特有签名 T-10/T-11 |
从"临床任务"到"可计算目标"的翻译要点。表格里的临床任务需落到可用字段上：分子分型多以"无监督聚类 + 下游结局验证"完成（标签本身是派生的，评估时避免把聚类基因当独立标签）；复发/预后则要求用 OS/EFS 的时间 + 删失信息做生存建模，而非仅用"是否复发"布尔量。将 TARGET 用于训练时，建议先明确：你在学的是"疾病亚型"（可解释、需外部验证）、“事件概率”（需删失处理）、还是"变异存在性"（受控 caller 依赖），三者失败模式完全不同（分别对应坑点 8、坑点 7、坑点 6）。
§2.4 患者人群
| 维度 | 说明 |
|---|---|
| 样本来源 | 美国多中心（COG 临床研究/试验登记）；含 St. Jude、UNM、WashU 等机构 |
| 采集时间窗 | 各癌种自 2000 年前后起（如 POG 9906 试验 2000-03~2003-04 入组），数据持续协调至近年 |
| 年龄 | 以儿童与年轻成人为主，98.5% 病例确诊时 ≤20 岁（pan-cancer 论文统计） |
| 性别 | 因癌种而异（如高危 ALL 男性偏多）；dbGaP 提供分癌种计数 |
| 种族/族裔 | 存在；开放临床元数据可查询，但非富集目标，覆盖不完全 |
| 就医/入组类型 | 高危/难治/复发富集的临床试验或生物学研究队列，非人群普查 |
全表征病例的筛选规则（以 ALL Pilot 为例）：理解"全表征 vs 部分表征"的关键是它们来自不同筛选规则。ALL Phase 1 的全表征病例来自 COG 试验 POG 9906（2000-03 至 2003-04 入组、新诊断高危前体 B-ALL、年龄 1~21 岁），并按以下条件挑选（来源 NCI ALL 页）：
| 入选规则 | 含义 |
|---|---|
| 诊断时年龄 >9 岁 或 WBC 高 | 抬高基线复发风险 |
| 排除 BCR/ABL 阳性 | 避开已明确的分型 |
| 排除已知亚二倍体（DNA index ≤0.95） | 去掉已有独立预后的类别 |
| 诱导两疗程后 <5% 原始细胞 | 要求获得缓解（有缓解期对照可用） |
启示：Pilot 全表征子集是"高危、可缓解、非已知遗传亚型"的筛选人群，不能代表所有 ALL。ALL Phase 2 则反向富集"4 年内早期复发"者（来源同页）。做跨 Phase 或跨癌种结论前，务必把这种筛选逻辑写进可读方法学。
§2.5 临床价值
TARGET 最具标志性的临床转化是 Ph-like ALL：NCI 资料指出，通过加用酪氨酸激酶抑制剂 imatinib（伊马替尼）强化疗方案，该亚型患儿的结局可获得明显改善（来源 NCI about）。此外，识别 JAK 信号通路等四条关键信号通路的突变，使研究者能把复发高危患儿前置分层。其价值正在于把"复发"从表型退化为可解释的分子事件，从而指导后续 COG 靶向试验的分层。
从数据使用价值看，TARGET 临床价值的三个可直接调用维度是：
| 价值维度 | 对 AI/生物研究的意义 | 落地样例 |
|---|---|---|
| 结局字段可建模 | OS/EFS/复发 + 随访时间完整字段化 | Cox/生存学习，而非退化二分类 |
| 风险分层自带头 | 病例自带 COG 风险分层标签 | 作为协变量或评估分层一致性 |
| 纵向样本稀缺资产 | 诊断-缓解-复发 trio 提供克隆进化证据 | 复发预测、亚克隆动力学建模 |
需要强调的是，这些"临床价值字段"本身来自 COG 临床试验人群，其疗效/结局数据反映的是既定方案下的结果，迁移到新方案或新人群时需警惕（见 §7.6 数据漂移）。
§2.6 金标准与标注
| 维度 | 说明 |
|---|---|
| 划分方式 | 按研究阶段（Discovery/Validation、Phase 1/2/3）而非随机；无官方 train/test 划分 |
| 标注方式 | 专家/实验判读为主：形态学分型、细胞遗传学、流式、分子诊断（Ph-like 等由分子病理综合判定）；表型/结局由 COG 临床试验记录 |
| 标注者 | COG 儿科血液肿瘤医生 + St. Jude/NCI 分子病理与基因组团队协作 |
| 性质 | 以"临床/分子联合金标准"为主；体细胞变异属计算+人工审核的半金标准，跨 caller 一致性需自行评估 |
"硬金标准"与"软标签"判读矩阵：把可当真相用的字段与只能当研究性标签的分开，是设计评估的核心前提。
| 标签类型 | 字段/产物 | 可信度 | 使用建议 |
|---|---|---|---|
| 硬：临床诊断/死亡事件 | primary_diagnosis、vitals_status、EFS 事件 | 高（方案记录） | 可直接作终点/分层 |
| 硬：成熟分子特征 | BCR-ABL、MYCN 扩增状态 | 高（实验判定） | 可直接作标签/协变量 |
| 半硬：体细胞变异 | MAF/VCF 事件 | 中高（caller 依赖） | 加 QC 与跨 caller 复核 |
| 软：无监督亚型 | 聚类得到的亚群/免疫亚型 | 中低（依赖特征选择） | 勿当独立真相；需外部验证 |
| 软：删失结局 | 未事件但随访不足者 | — | 用生存框架，勿硬标"未复发" |
引用案例：Ph-like 分型本身由表达谱特征定义（偏软），但其"激酶激活变异"经靶向测序确认后偏硬；做分型模型时若特征就是表达量，属于"复述标注"（见坑点 8 相关讨论）。
§3 数据集规格
§3.0 版本抉择矩阵
TARGET 无单一"下载整包版本"，用户在多个镜像/发布层间选择。按需求推荐如下：
| 你的需求 | 推荐版本/来源 | 规模参考 | 理由 |
|---|---|---|---|
| 快速原型、只要临床+汇总 | GDC Data Portal 开放文件（TSV/MAF/部分 GCT） | 开放子集 | 免 dbGaP，可直接 API 拉取 |
| 严肃组学训练（原始+协调） | GDC 受控数据（需 dbGaP 审批） | 单文件级别 | 官方协调 GRCh38 + 统一流程，可比性最强 |
| 云端免下载跑分析 | GDC Data Release 31（经 Cancer Genomics Cloud/CGC） | 与 GDC 同步 | CGC 预置 TARGET GRCh38，开箱分析 |
| 交互式探索/可视化 | PedcBioPortal / Kids First | 整合视图 | 无需下载即可看基因-样本-变异 |
| 儿科迁移/跨癌种 | dbGaP phs000218（v26 顶层） | 全部受控子集 | 顶层授权可覆盖全部子研究 |
§3.1 模态详情
| 模态 | 类型 | 主要癌种覆盖（2019 协调计数示例） | 说明 |
|---|---|---|---|
| WES | 全外显子比对 + 体细胞调用 | ALL 873、AML 22、NBL 221、WT 45 | 编码区体细胞变异主力 |
| WGS | 全基因组比对 | ALL 133、AML 227、CCSK 13、NBL 9、OS 31、RT 69、WT 81 | 结构变异/非编码区 |
| RNA-seq | 比对 + 表达定量 | ALL 591、AML 179、CCSK 13、NBL 155、OS 88、RT 64、WT 125 | 转录组分型与融合 |
| miRNA-seq | 比对 + 表达定量 | ALL 229、AML 701、RT 66、WT 127 | microRNA 调控 |
| 拷贝数/基因表达阵列 | 芯片 | NBL（Affymetrix 外显子阵列等） | 早期实体瘤平台 |
| 甲基化 | 表观（部分） | 相关癌种 | 表观驱动分析 |
表中计数为 GDC 2019 发布的"病例级平台可用数"示例（来源 GDC 博客），不同 GDC Release 会增减，分析前请以当次 release 实际查询为准。
§3.2 按子集样本数
官方"cases characterized"口径（来源 NCI studied-cancers）与 GDC/dbGaP 口径存在差异，下表并列以便对齐：
| 癌种/子集 | NCI characterized 例数 | 备注 |
|---|---|---|
| 急性淋巴细胞白血病（ALL） | 1,802 | 含 P1/P2/P3、ALAL |
| 急性髓系白血病（AML） | 2,145 | 含儿童 AML 富集 |
| 神经母细胞瘤（NBL） | 1,132 | 两期试点+扩展 |
| 肾母细胞瘤（Wilms，WT） | 652 | |
| 骨肉瘤（OS） | 383 | |
| 恶性横纹肌样瘤（RT） | 69 | |
| 肾透明细胞肉瘤（CCSK） | 13 | 极罕见 |
| 顶层知情同意受试者 | ~6,363 | dbGaP phs000218.v26 全子集 |
| GDC 中可用协调例数 | 5,062 | 2019 发布时点 |
GDC project 代码（按研究阶段细分）。在 GDC 检索时，TARGET 不以单一 project 出现，而是按病种/阶段拆为多个 project code，例：
| GDC project code | 内容 | dbGaP 子研究 |
|---|---|---|
| TARGET-ALL-P1 | ALL Pilot Phase 1（高危 B-ALL） | phs000463 |
| TARGET-ALL-P2 | ALL Expansion（复发富集） | 同 ALL 系列 |
| TARGET-ALL-P3 | ALAL（混合谱系） | 同 ALL 系列 |
| TARGET-AML | 儿童 AML | phs000465 系 |
| TARGET-NBL | 神经母细胞瘤（P1/P2） | phs000467 系 |
| TARGET-RT | 恶性横纹肌样瘤 | phs000470 系 |
| TARGET-WT | 肾母细胞瘤 | phs000472 系 |
| TARGET-OS | 骨肉瘤 | 相应子研究 |
| TARGET-CCSK | 肾透明细胞肉瘤 | 相应子研究 |
| TARGET-CC | 癌模型系统/PPTP（细胞系与移植瘤） | MDLS |
project code 供 GDC API 的
filters.projects.project_id使用；完整清单以 GDC Data Portal 检索结果为准（来源 GDC ALL publication summary 与 dbGaP 子研究）。
§3.3 数据格式
| 数据类型 | 格式 | 层级 | 访问 |
|---|---|---|---|
| 原始测序 | FASTQ | level 0 | 受控（dbGaP） |
| 比对 | BAM | level 1 | 受控 |
| 体细胞变异 | VCF / MAF | level 2 | MAF 公开/受控分项 |
| 表达定量 | GCT / TSV | level 2/3 | 开放部分 |
| 拷贝数 | segmented / TXT | level 2/3 | 开放部分 |
| 临床/生物样本元数据 | TSV/JSON（GDC 字典） | level 1 | 开放 |
§3.4 存储与大小
- 无单一固定整包；GDC 累计协调发布儿科数据 >55 TB（来源 GDC 博客）。
- 实际占用随所选癌种与数据类型差异巨大；下载前用 GDC Data Portal 购物车/API 统计目标文件总字节。
§3.5 标注方式
- 临床/表型：COG 临床试验记录结构化管理（人工录入 + 校验）。
- 分子诊断亚型（如 Ph-like）：基因表达谱 + 靶向测序/流式综合判定（专家 + 算法）。
- 体细胞变异：GDC 统一流程计算调用（含多个 caller），并经人工/规则审核生成 MAF。
- 无监督标注：部分亚型由无监督聚类得到（属研究性标签，非金标准）。
§3.6 标注者资质与一致性
- 临床与结局由 COG 儿科血液肿瘤中心按统一试验方案采集，具备方案一致性；跨中心一致性由 COG 数据中心的质控机制保障。
- 变异调用由 GDC 对全部 TARGET 数据跑统一流程（同一参考 GRCh38、同一 caller 集合），跨病例可比性优于各中心自算结果；但仍存在 caller 间差异（详见 §6.5 坑点）。
§3.7 采集周期
- 肿瘤与对照组织自 2000 年前后起由 COG 生物学研究/试验（如 POG 9906）前瞻采集。
- GDC 协调生产自 2015 年起持续进行，原始（Legacy）与协调（GRCh38）版本并存更新。
§3.8 地域覆盖
- 主要来自美国 COG 成员机构（覆盖全美数百个儿科肿瘤中心）；不含系统性的国际人群普查。
- 族裔与地域覆盖不完全，跨人群泛化需谨慎（见 §7）。
§3.9 设备与参考规格
| 环节 | 规格 |
|---|---|
| 参考基因组 | GRCh38（GDC 协调）；Legacy 为 b37/hg19 |
| 基因模型 | GENCODE v22（默认 GRCh38） |
| 比对 | BWA 0.7.x 系（GDC 流程） |
| 变异调用 | GDC DNA-seq 流程（多 caller + Pindel 补充） |
| RNA 定量 | HTSeq/STAR 流程（统一无链式处理） |
| 测序平台 | 各阶段 Illumina 等；早期含 Sanger 与 array 平台 |
平台×癌种覆盖速览（以 GDC 2019 协调数据为例，单位：病例）：同癌种不同模态的病例数差异巨大，直接决定"能做哪些跨模态任务"。
| 癌种 | WES | WGS | RNA-seq | miRNA-seq |
|---|---|---|---|---|
| ALL | 873 | 133 | 591 | 229 |
| AML | 22 | 227 | 179 | 701 |
| 神经母细胞瘤（NBL） | 221 | 9 | 155 | — |
| 肾母细胞瘤（WT） | 45 | 81 | 125 | 127 |
| 骨肉瘤（OS） | — | 31 | 88 | — |
| 横纹肌样瘤（RT） | — | 69 | 64 | 66 |
| 肾透明细胞肉瘤（CCSK） | — | 13 | 13 | — |
数据来源 GDC 博客（2019）；"—"表示该模态在当时未列出明确病例数，不代表绝对缺失。可见：ALL 以 WES/RNA 为主、AML 以 WGS/miRNA 为主、实体瘤更依赖 WGS/RNA——做多模态整合前务必以实时 release 计算实际交叠病例。
§3.10 深度溯源链
患者（COG 试验/生物学研究入组）→ 样本（诊断肿瘤 + 缓解期/正常对照，含 FACS 纯化）→ 测序/芯片（WGS/WES/RNA/miRNA/array）→ GDC 统一协调（GRCh38）→ 开放/受控文件（BAM/VCF/MAF/GCT/TSV）→ GDC Publication Pages 关联论文与补充文件。
带时间戳的逐环节溯源（供复现时核对）
| 环节 | 关键动作 | 时间/来源标记 | 复现时核对字段 |
|---|---|---|---|
| 入组 | COG 试验/生物学研究 | 试验号（如 POG 9906，2000-03~2003-04） | 入组方案版本 |
| 采样 | 诊断肿瘤 + 缓解/正常对照 | 采集日期/阶段 | sample_type、sample_date |
| 测序 | 各阶段平台 | 当年平台（Legacy vs 协调） | platform、legacy vs GRCh38 |
| 协调 | GDC 统一重比对到 GRCh38 | GDC Release 号（如 Release 31） | release 快照 |
| 派生 | 多 caller 变异/表达定量 | pipeline 版本 | caller 清单 + 版本 |
| 发表 | Publication Pages 补充 | 论文 PMID/DOI | 数据-论文映射表 |
溯源的意义：同一"case"的原始数据在 GDC 中可能既有 Legacy（原团队当年调用）又有协调（GDC 新调用）两份结果；复现时必须声明你用的是哪条链，否则会无意中混用两套变异。
§4 数据结构
§4.0 目录树
TARGET 无统一"解压整树"，GDC 用图模型组织。以 GDC Data Portal 下载一个癌种（示例 TARGET-ALL-P1）并解压后的近似视图如下：
TARGET-ALL-P1_download/
├── clinical/
│ ├── clinical.tsv # 病例级：诊断/分期/风险/生存（开放）
│ └── bcr_clinical.txt # 原始临床注释（开放）
├── biospecimen/
│ ├── sample.tsv # 样本级：部位/类型/肿瘤纯度相关
│ └── aliquot.tsv # 测序分装：platform/library
├── open_methylation/ # 部分癌种（开放）
├── rna_seq/ # HTSeq/表达定量（开放或受控视文件）
├── somatic_variants/ # MAF（开放）+ 受控 VCF 可选
├── copy_number/ # segmented 拷贝数（开放部分）
├── protected/ # （需 dbGaP）原始/受控层
│ ├── alignment/ # BAM（受控）
│ └── somatic_variants_vcf/ # 体细胞 VCF（受控）
└── manifests/
└── gdc_manifest.2026-xx.txt # GDC manifest，供 gdc-client 下载
说明：目录结构是使用 gdc-client 时你本地会得到的形态；
data_root指上表TARGET-ALL-P1_download/解压根。开放与受控分属不同 manifest。
§4.1 DAIMS 字段字典
以下为核心字段字典（8 列），映射到 GDC 临床/样本 TSV 常见列名：
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| case_id | Text | 病例唯一标识 | TARGET-ALL-P1 case UUID | 主键 join | 低 | 必填无缺失 | GDC UUID |
| submitter_id | Text | 原团队标识 | POG9906-xxx | 溯源 | 低 | 可见空串 | 文本 |
| primary_diagnosis | Text/代码 | ICD 诊断 | Acute Lymphoblastic Leukemia, NOS | 分组 | 历史分型差异 | 标注"Not Reported" | 受控词表 |
| disease_phase | Text | 诊断/复发 | Phase 1 Pilot | 研究阶段 | 阶段界定 | — | 有限枚举 |
| risk_group | Text | 临床风险分层 | High Risk | 预后建模 | 方案相关 | Not Reported | 临床定义 |
| age_at_diagnosis | Integer（天） | 诊断年龄 | 2457 | 年龄相关分析 | 记录舍入 | NaN | ≥0 天 |
| sex | Text | 性别 | Female / Male | 校正/偏倚 | 自报 | Not Reported | F/M/NR |
| primary_site | Text | 肿瘤部位 | Bone marrow | 部位分层 | 定位 | — | 词表 |
| sample_type | Text | 肿瘤/正常 | Primary Tumor / Normal | 配对设计 | 低 | — | 肿瘤/缓解/正常 |
| overall_survival | Float（月） | OS | 34.6 | 生存建模 | 随访截尾 | NaN（删失） | ≥0 |
| event_free_survival | Float（月） | EFS | 12.0 | 预后 | 定义差异 | NaN（删失） | ≥0 |
| mycn_status | Text | MYCN 扩增状态（NBL） | Amplified | NBL 特异特征 | 检测平台 | Not Reported | 有限枚举 |
| ploidy | Text | 倍性（NBL/ALL） | Hyperdiploid | 拷贝数分层 | 方法差异 | — | 词表 |
| vitals_status | Text | 存活/死亡 | Dead | 终点 | 判定 | — | Alive/Dead/… |
体细胞变异与表达层级核心字段（供 MAF/GCT 快速上手）
| 字段名 | 来源文件 | 说明 | 示例值 | AI 用途 | 信息性缺失编码 |
|---|---|---|---|---|---|
| Hugo_Symbol | MAF | 基因符号 | CDKN2A | 特征列 | */空白→过滤 |
| Tumor_Sample_Barcode | MAF | 样本条码 | TARGET-…-01A | 与 case 映射（join 键） | 必填 |
| Variant_Classification | MAF | 变异效应分类 | Missense_Mutation | 特征过滤 | 含 Silent/RNA |
| VAF / t_ref_count+t_alt_count | MAF | 变异等位基因分数/读段 | 0.18 | 亚克隆/过滤 | 需按坑点 7 处理 |
| t_depth / t_alt_count | MAF | 肿瘤深度 | 220 / 40 | 过滤低支持 | 低深度为空 |
| gene_id | RNA 定量 | GENCODE gene id | ENSG00000xxxxx | 表达特征 | 对应基因无表达为 0 |
| (未命名，HTSeq 计数) | RNA 定量 | 样本 × 基因计数 | 1245 | 表达建模 | 需 log 归一 |
MAF 属"协调开放"文件，跨 release 会有调用变化；任何过滤后统计都应记录版本。
§4.2 标签分布
TARGET 无单一"标签"，关键是按癌种+平台存在多重分层，且标签≠平衡分布：
| 维度 | 特征 | 说明 |
|---|---|---|
| 癌种严重不均 | CCSK 13 例 vs ALL 1,802 例 | 罕见类需专门处理 |
| 研究阶段富集 | 高危/复发富集 | 有意偏倚，非人群比例 |
| 平台覆盖稀疏 | 多数病例只含部分模态 | 跨模态样本交叠少 |
| 结局标签删失 | OS/EFS 存在删失 | 生存分析需考虑截尾 |
标签与"是否真测过"也要分清楚：某 case 有 event_free_survival 值，不等于它一定被测了 WGS/WES——生存字段在病例层、测序字段在样本/文件层。取交集做多模态任务时，先查该 case 到底有哪些 data_category 的 file 落地，再做标签，否则会出现"标签全、特征空"或反之的错配矩阵（尤其复发富集的 trio 病例在诊断/复发点各有不同文件）。
§4.3 关键统计
头号统计（口径清楚最重要）
| 统计 | 数值 | 口径/来源 |
|---|---|---|
| 顶层知情同意受试者 | ~6,363 | dbGaP phs000218.v26 |
| GDC 协调可用例数（时点） | 5,062 | GDC 2019 发布 |
| NCI characterized：ALL | 1,802 | NCI studied-cancers |
| NCI characterized：AML | 2,145 | NCI studied-cancers |
| NCI characterized：NBL | 1,132 | NCI studied-cancers |
| NCI characterized：肾母细胞瘤 | 652 | NCI studied-cancers |
| NCI characterized：骨肉瘤 | 383 | NCI studied-cancers |
| ALL P1 全表征 / 部分表征 | 189 / 230 | dbGaP phs000463 |
分析性统计（来自旗舰表征论文）
- 儿科泛癌 1,699 例中位体细胞突变率 0.17（AML/WT）至 0.79（OS）每 Mb，远低于成人 1~10 每 Mb（Nature 2018）。
- CDKN2A 为最高频体细胞改变（78% T-ALL、42% B-ALL 存在以缺失为主的改变）。
- 识别 142 个显著突变驱动基因与 11 种儿科突变签名（T-1~T-11，其中 T-10/T-11 为新增儿科特异签名）。
- GDC 协调参考 GRCh38 / GENCODE v22（GDC）。
判断提示：表上"头号统计"告诉你仓库里有多少；"分析性统计"告诉你在某篇特定论文的子集里发现了什么。引用时二者不可互相顶替。
§4.4 数据层级
实体层级关系（GDC 图模型视角）：Project（如 TARGET-ALL-P1）→ Case（患者）→ Sample（肿瘤/缓解/复发）→ Aliquot（测序分装）→ File（BAM/VCF/MAF/GCT）。多数病例含诊断样本 + 匹配对照；复发富集病例含诊断-复发乃至 trio（诊断-缓解-复发）纵向样本。关键嵌套规则：
| 层级 | 粒度 | 常见字段 | 主键 |
|---|---|---|---|
| Case | 患者 | 诊断、年龄、性别、风险、OS/EFS | case_id（UUID） |
| Sample | 一次取材 | sample_type、site、采集阶段 | sample_id |
| Aliquot | 一次测序分装 | platform、library、analyte | aliquot_id |
| File | 一个数据文件 | data_category、data_format | file_id + md5 |
派生规则：一个 case 可有多个 sample（如诊断+复发），一个 sample 可有多个 aliquot（同一份做 WES 又做 RNA）；因此统计病例/样本/文件必须选对层级。多数分析以 case 为单位、以 case 的全部 sample 聚合变异/表达——正是 §5.3 强调"按 case 切分"的层级根源。
§4.5 缺失与信息性缺失
| 字段场景 | 编码 | 是否信息性 |
|---|---|---|
| 部分癌种无某模态 | 该字段/文件缺席 | 是——反映采集设计而非随机 |
| 结局未到终点 | EFS/OS 记录为删失时间 | 是——右删失 |
| 性别/年龄未报告 | “Not Reported” / NaN | 是——需与"真缺失"区分 |
| 样本纯度未测 | 无纯度字段或为空 | 非信息性，注意勿当 0 |
§5 划分与使用建议
§5.1 官方划分
TARGET 不提供"训练/验证/测试"划分。最接近官方结构的是按研究阶段组织：
| 阶段 | 内容 | 用途 |
|---|---|---|
| Discovery | 全表征试点/扩展病例 | 发现驱动、训练假设 |
| Validation | 独立扩展病例（如 750 例 ALL 验证集） | 验证候选变异频率 |
| Phase 1/2/3 | 按癌种迭代 | 纵向研究（P1 高危、P2 复发、P3 ALAL） |
注意：Validation 用于验证"变异存在"，不是传统 ML 的独立测试集；用它当测试集会低估模型误差。
§5.2 社区惯例划分
- 多数复现论文按癌种把全表征病例当作训练，再以内/外部独立队列（如 GSE49710 神经母细胞瘤、其他 COG/欧洲队列）做外部验证（范例见 MDPI 神经母细胞瘤研究）。
- 生存类任务建议按"全表征 + 随访完整"子集过滤后再做时间切分，而非随机切分，避免信息泄漏。
§5.3 泄漏风险（重点）
- 同一患者多样本跨 train/test：trio/复发病例的多个样本属于同一患者，若按样本随机切分，诊断与复发样本会跨集——必须按 case（患者）级别划分。
- Validation 集被误当独立测试：Validation 已参与变异挑选，属模型开发流程；用作最终测试会高估性能。
- 特征与标签同源：Ph-like 等亚型标签本身由表达谱聚类产生，若特征含表达量，分类这类标签近乎"复述标注过程"，评估意义有限。
- 平台/批次混淆：Affymetrix 阵列 NBL 与 RNA-seq NBL 混用会形成强批次结构；未做平台分层划分时，模型可能学到平台而非生物信号。
§5.4 交叉验证建议
- 默认采用按 case 分组的 GroupKFold，组变量 =
case_id。 - 多平台数据建议额外引入平台分层（把 WES/WGS/RNA-seq/array 分开）做两层交叉验证。
- 罕见癌种（CCSK 13 例等）不做折叠切分，直接用留一法或仅做描述性/外部验证。
§5.5 外部验证建议
- 跨癌种：用同一流程核实的独立儿科队列（GEO 神经母细胞瘤 GSE49710、St. Jude/PCGP、其他 COG 报告）验证。
- 方法层面：报告与成人 TCGA 对照的差异以证实儿科特异性，而非仅内部 CV。
- 预后模型：至少一个独立、未参与任何开发的队列做校准（calibration）与区分度（C-index）报告。
§5.6 一个"案例切分 + 外部验证"的可运行片段。把病例/平台/Validation 三件事一次性显式化，避免最常见的四类泄漏：
# 关键：组 = case_id（去患者级泄漏）；平台分层变量一并留用
def split_cases(X, n_folds=5, seed=0):
"""按 case 做分层 GroupKFold，返回 fold 指标供训练循环使用。"""
from sklearn.model_selection import GroupKFold
gkf = GroupKFold(n_splits=n_folds)
return list(gkf.split(X, groups=X.index)) # 组 = 患者
folds = split_cases(X)
print("fold 训练/测试病例规模:", [ (len(f[0]), len(f[1])) for f in folds ])
外部验证 checklist（发布/论文前逐项核对）
| 检查项 | 是否满足 | 具体做法 |
|---|---|---|
| 训练只含 Discovery/全表征病例 | ☐ | Validation 绝不入训练 |
| 切分按 case 而非样本 | ☐ | GroupKFold(groups=case_id) |
| 平台做分层报告 | ☐ | array 与 RNA-seq 分开汇报 |
| 固定 GDC Release | ☐ | 方法学写明 release 号 |
| 独立外部队列验证（儿科优先） | ☐ | GSE49710 等儿科独立数据 |
| 删除失/生存按 Cox 而非硬二分类 | ☐ | C-index + 校准曲线 |
§6 AI 就绪指南
§6.0 云端快速启动
若不想处理 dbGaP 下载，最快路径是使用预置 TARGET GRCh38 的云镜像（NCI GDC Data Release 31 对应的 Cancer Genomics Cloud / Seven Bridges CGC）。这些环境已含开放与受控文件索引，可在浏览器建 cohort 后直接跑分析或导出。
§6.1 快速上手
本小节代码假设目录结构如 §4.0：data_root 指向解压根，clinical/clinical.tsv 存在。先用开放临床+汇总数据做最小可用原型。
# 目录结构预期：data_root/TARGET-ALL-P1_download/clinical/clinical.tsv
# 最小可用子集：只需开放 clinical.tsv + 一份 MAF/表达，无需 dbGaP
import pandas as pd
DATA_ROOT = "TARGET-ALL-P1_download"
clin = pd.read_csv(f"{DATA_ROOT}/clinical/clinical.tsv", sep="\t")
print(clin.shape) # (病例数, 列数)
print(clin["primary_diagnosis"].value_counts(dropna=False).head())
print("年龄缺失(Not Reported):", (clin["age_at_diagnosis"].isna()).sum())
若只做开放部分，从 GDC Data Portal 按 project=TARGET-ALL-P1 勾选"Open Access"即可无需授权；涉及受控文件见 §6.2。
§6.2 数据获取
| 路径 | 内容 | 门槛 |
|---|---|---|
| GDC Data Portal | 开放临床/MAF/部分表达拷贝数 | 免费注册账号即可 |
| dbGaP + DAC | 受控原始序列（BAM/FASTQ/受控 VCF） | IRB 豁免 + DUC，DS-PEDCR 儿科用途，数周审批 |
| GDC Publication Pages | 论文关联补充数据 | 开放阅读 |
| CGC/Kids First | 云分析预置副本 | 视各自申请 |
受控数据申请路径（分步）：获得 TARGET 原始序列的标准流程是"dbGaP 申请 → GDC 拉取"：
| 步骤 | 操作 | 要点 |
|---|---|---|
| 1 | 在 NIH dbGaP 注册账号，并做 eRA Commons 关联 | 需机构可验证身份 |
| 2 | 向 phs000218 顶层研究提交 Data Access Request | 用途须满足 DS-PEDCR（儿科癌症研究） |
| 3 | 等待 NCI DAC 审批并签署 Data Use Certification（DUC） | 周期通常数周 |
| 4 | 通过 eRA/gdc-client 生成 GDC token | 把授权映射到 GDC 文件 |
| 5 | 用 gdc-client 拉取受控 BAM/VCF 文件 | 大数据量，建议断点续传 |
只想要 MAF/临床时大多无需第 2-4 步——先查文件是否 open access 再决定是否申请，能省大量等待。
受控获取建议用 GDC 官方下载工具 gdc-client：
# 1) 先经 dbGaP 获授权并用 eRA Commons 链接到 GDC，得到 GDC token
gdc-client download -m gdc_manifest.2026.txt -t gdc-user-token.txt
# 2) 仅开放文件也可不加 -t 从 portal 拉取（若该文件开放）
体细胞变异 MAF（开放） 的极简读取：
import pandas as pd
maf = pd.read_csv(f"{DATA_ROOT}/somatic_variants/xxx.maf.gz",
sep="\t", comment="#", compression="gzip")
print(maf[["Hugo_Symbol","Tumor_Sample_Barcode","Variant_Classification"]].head())
§6.3 预处理全流程
目标：从开放文件到可训练的张量（变异矩阵 / 表达矩阵）。以下给出"变异频率矩阵 + 标签 + 病例级切分"可运行骨架。
import numpy as np
import pandas as pd
from sklearn.model_selection import GroupKFold
from sklearn.preprocessing import LabelEncoder
def build_feature_matrix(maf, clin, top_genes=2000):
"""返回 (病例x基因) 二值是否携带蛋白影响变异 矩阵 + 标签。"""
# 只保留蛋白编码影响的事件，避免把沉默/UTR 当驱动噪声
eff = maf["Variant_Classification"].isin(
["Missense_Mutation","Frame_Shift_Del","Frame_Shift_Ins",
"Nonsense_Mutation","Splice_Site","In_Frame_Del","In_Frame_Ins",
"Translation_Start_Site","Nonstop_Mutation"])
m = maf.loc[eff, ["Tumor_Sample_Barcode","Hugo_Symbol"]].drop_duplicates()
# 把样本条码 map 到 case（需先建 case->sample 映射，见坑点 3）
m["case_id"] = m["Tumor_Sample_Barcode"].map(SAMPLE2CASE)
# 计数：同 case 多 sample 视为该 case 携带该基因事件
m = m.drop_duplicates(["case_id","Hugo_Symbol"])
top = m["Hugo_Symbol"].value_counts().head(top_genes).index
X = m.pivot_table(index="case_id", columns="Hugo_Symbol",
values="Hugo_Symbol", aggfunc="count", fill_value=0)
X = X.reindex(columns=top).fillna(0).clip(upper=1) # 二值化
# 标签对齐（仅保留有临床结局的 case）
X = X.join(clin.set_index("case_id")[["event_free_survival","vitals_status"]],
how="inner")
return X
gkf = GroupKFold(n_splits=5)
for tr, te in gkf.split(X, groups=X.index): # 组 = case 本身 → 无患者跨集
pass
平台与批次感知的切分（推荐）。由于 NBL 等实体瘤在 array 与 RNA-seq 间存在强批次结构（见坑点 5），在折叠前记录 platform 并做平台分层验证，是最稳妥的做法：
# 预处理：把 case 的 platform 汇入 X 的行标签信息，供两层切分
X.index.name = "case_id"
platform_map = sample_df.groupby("case_id")["platform"].first() # case -> 主 platform
X = X.join(platform_map, how="inner")
# 平台层内再跑 case 级 GroupKFold：先按 platform 拆，各自内部做病例分组
from sklearn.model_selection import GroupKFold
results = {}
for plat, sub in X.groupby("platform"):
y_eff = sub["event_free_survival"]
inner = GroupKFold(n_splits=3)
for tr, te in inner.split(sub, groups=sub.index):
pass # 在此处训练/验证该平台子模型，再跨平台汇总
results[plat] = sub.shape[0]
print(results)
表达矩阵到基因 × 样本（可选，若用 RNA-seq 开放定量）。GDC 的 HTSeq 计数可按基因行 × 样本列排布，需先取 log 并稳健归一化；注意跨 release 基因版本对齐到同一 GENCODE 参考以免基因名漂移（见坑点 6）：
# gdc rna_seq 常以 "gene\t" 前缀头部 + 每行一个 gene id 输出，格式解析后转置
expr = pd.read_csv(f"{DATA_ROOT}/rna_seq/xxx.tsv", sep="\t", comment="#")
expr = expr.set_index(expr.columns[0]) # 首列为 gene_id
expr = expr.T # 转置为 (sample, gene)
expr = np.log2(expr.astype(float) + 1.0) # 稳健对数化
print(expr.shape)
§6.4 PyTorch DataLoader
下面给一个可运行的 Dataset（把稀疏特征做 one-hot 输入并返回标签），含 transform 占位思路。
import torch
from torch.utils.data import Dataset, DataLoader
from sklearn.preprocessing import LabelEncoder
class TargetMutationDataset(Dataset):
def __init__(self, X_mat, label_col="event_free_survival", bins=3):
self.feats = X_mat.drop(columns=[label_col]).values.astype(np.float32)
# 简化演示：把 EFS 离散为 低/中/高 三档；真实研究请用 Cox 而非硬分箱
y = X_mat[label_col].values
self.y = pd.cut(pd.Series(y), bins=bins, labels=False)
self.nan = ~self.y.isna()
self.y = LabelEncoder().fit_transform(self.y[self.nan])
self.feats = self.feats[self.nan]
def __len__(self):
return len(self.y)
def __getitem__(self, i):
return torch.tensor(self.feats[i]), torch.tensor(self.y[i], dtype=torch.long)
# transform（标准化/正则）在此链上挂载；注意稀疏二值特征用正则化损失而非 MinMax
ds = TargetMutationDataset(X)
loader = DataLoader(ds, batch_size=32, shuffle=True)
x, y = next(iter(loader))
print(x.shape, y.shape)
本骨架为教学最小实现；真实生存/复发任务建议用 Cox（lifelines）或把删失编码为多任务目标，不要硬分箱丢信息（见坑点 8 前导）。
§6.5 坑点 8 个
⚠️ 坑点 1：受控 vs 开放分轨——把"能下载的开放 MAF"当成全部数据（分类：数据泄漏 / 评估误用）
问题：TARGET 按文件级拆分访问——原始序列（BAM/FASTQ/受控 VCF）需 dbGaP 审批，临床与汇总（MAF、部分表达/拷贝数）开放。许多人只用开放子集，却把它等同于完整队列，导致样本数与模态严重缩水。
症状：训练样本数远小于论文报告；某癌种"没有"某模态；复现结果与官方 analysis 对不上。
解决：
- 简单方法：在 GDC Data Portal 勾选时区分 open/controlled 两个 manifest，明确记录你实际用到的是哪部分。
- 进阶方法：写一份 manifest 覆盖清单（各癌种、各模态文件数与字节），据此判断覆盖缺口是否影响你的下游结论。
- SOTA 方法：同时用 dbGaP 顶层 phs000218 授权 + GDC Publication Pages 补充文件，保证"协调 VCF + 原始 BAM + 论文补充"三层都在同一病例口径下。
参考：GDC FAQ：受控数据访问、CCDI 博客对 TARGET 双轨说明
⚠️ 坑点 2：DS-PEDCR 用途限制——方法/工具开发会过不了 DAC（分类：评估误用）
问题：dbGaP 对 TARGET 顶层研究设定的数据使用限制为 DS-PEDCR（Disease-Specific，Pediatric Cancer Research）：数据仅限"无法用成人数据完成的儿科癌症研究"，且"面向方法、软件或工具开发"的申请不被视为可接受用途。纯做通用变异 caller 训练会触碰红线。
症状：DAC 以"项目不满足儿科特异性研究目标"为由拒绝；或论文署名用途与其申请不符引发合规问题。
解决：
- 简单方法：申请书中明确儿科癌症生物学问题与临床相关性，弱化"纯工具/benchmark"表述。
- 进阶方法：若确实做方法，需把儿科数据定位为"评估/下游目标"而非"方法训练主体"，并在研究目标里给出必须用儿科数据的理由。
- SOTA 方法：把方法学部分放开放数据（MAF 对全用户开放），仅对需要原始读段的儿科特异子任务申请受控访问。
参考：dbGaP phs000218 数据使用限制声明
⚠️ 坑点 3：病例数口径漂移——NCI characterized ≠ GDC cases ≠ dbGaP subjects（分类：标签理解）
问题：同一队列存在三种常被混用的计数：NCI"characterized"（如 ALL 1,802）、GDC 协调例数（2019 时 5,062）、dbGaP 知情同意数（~6,363），且版本持续增长。跨来源引用时不加口径会导致样本量与"该病例有无某数据"错配。
症状：一篇论文写 1,802 例 ALL，你却只在开放 MAF 里找到几百个 sample barcode；不同 release 计数不一致造成困惑。
解决：
- 简单方法：任何数字前标注口径与 release（“NCI studied-cancers 页 characterized 例数”“GDC Release 31 协调例数”）。
- 进阶方法：始终从 GDC API 按 project + data_category 实时聚合你的实际样本 ID，而非引用网页数字。
- SOTA 方法：建立 case↔sample 映射表（同 case 多 sample/trio），一切统计按 case 去重；报告去重后的真实病例数。
参考：NCI studied-cancers、GDC 博客、dbGaP phs000218
⚠️ 坑点 4：匹配正常是"缓解期"样本而非胚系血——残存病变污染（分类：预处理陷阱）
问题：ALL 等白血病病例的"正常"对照常取自缓解期骨髓/外周血（部分 FACS 纯化），并非胚系 DNA。若缓解不完全，对照中残留的少量肿瘤细胞会被体细胞 caller 当作"嵌合"，造成假阴性（漏掉真实体细胞变异）或误判。
症状：低频变异调用不稳定；在对照中观察到低 VAF 的已知驱动突变；用该对照跑的生殖系过滤漏变异。
解决：
- 简单方法：标注每样本的
sample_type（Primary Tumor / Remission / Normal），只把确认胚系的样本当对照。- 进阶方法：对缓解期对照检查肿瘤纯度指标/克隆扩增，必要时用联合调用 + 配对过滤放宽 VAF 阈值。
- SOTA 方法：在有 trio/纵向样本时用"正常随复发比对"交叉验证残存病变，或在模型输入中显式编码 sample_type 让模型学习差异。
参考：NCI ALL 方法说明（缓解期对照设计）
⚠️ 坑点 5：多平台/多阶段异质——Affymetrix 阵列 vs RNA-seq 造成批次铁墙（分类：工程陷阱）
问题：神经母细胞瘤等早期数据用 Affymetrix Human Exon array，后期大量用 RNA-seq/miRNA-seq；WES 与 WGS 的变异敏感度不同。跨平台直接拼特征会让模型主要学到平台（强批次结构）而非生物信号。
症状：训练/测试按年份或项目分开时性能骤降；聚类按平台而非疾病分组；表达量纲不齐。
解决：
- 简单方法：给模型加
platform作显式特征或协变量；报告按平台分层的指标。- 进阶方法：只对同模态做核心训练，另一平台做迁移/外部验证（这正是 TARGET 社区复现论文常见做法）。
- SOTA 方法：平台间做批次校正（如 ComBat/limma 或伪 bulking 对齐），但保留可解释性；绝不混平台后再无验证地汇报整体指标。
参考：MDPI 神经母细胞瘤分析（分平台用 array 与 RNA-seq）
⚠️ 坑点 6：GDC 变异调用跨发布变化——Pindel 等 caller 是后加的（分类：评估误用）
问题：GDC 统一流程随 release 演进（例如 2019 发布为已有病例新增 Pindel 体细胞调用、扩展 ALL 与 ALAL）。因此"同一个病例"在不同 GDC Release 下载的 MAF/VCF 可能含不同变异集合；跨版本拼接等于用了两套不一致的标签。
症状：同一病例在旧下载与新下载中驱动基因有无不同；泛癌显著性分析随版本漂移。
解决：
- 简单方法：整个项目固定一个 GDC Release，并在方法学写明 release 号（如"Release 31"）。
- 进阶方法：跨 caller 求交集（consensus）作为保守体细胞集，或对感兴趣的 driver 做读段级复核。
- SOTA 方法：对结论敏感变异用独立工具/人工检查 VAF、链与质量字段，避免单一 caller 假阳性进入下游。
参考：GDC 博客（Pindel 新增说明）、CGC TARGET GRCh38 页（release 对应说明）
⚠️ 坑点 7：儿科突变率极低 + 大量低 MAF 亚克隆——成人式硬阈值漏检（分类：预处理陷阱）
问题：儿科肿瘤体细胞突变率中位仅约 0.17~0.79 每 Mb（远低于成人 1~10），且白血病/神经母细胞瘤约 40~50% 驱动点突变的 MAF <0.3，属亚克隆。沿用成人常见的高 VAF/高频硬阈值会系统性丢弃真正的儿科驱动信号。
症状：多数样本"找不到驱动基因"；模型在稀疏变异矩阵上退化；低 MAF 的真实事件被过滤。
解决：
- 简单方法：降低最小 VAF 并联合证据（≥2 caller / 链 + read support）替代单一高 VAF 阈值。
- 进阶方法：采用纯度/拷贝数校正的突变负荷估计，并保留亚克隆标记用于下游建模。
- SOTA 方法：用儿科专属驱动基因集（Nature 2018 鉴定的 142 个驱动基因中儿科特异者）而非套用成人 Cancer Gene Census 全集做显著性/标签。
参考：Nature 2018 pan-cancer（突变率与亚克隆 MAF）
⚠️ 坑点 8：复发/生存标签的处理——复发富集队列 + 右删失被当普通分类（分类：标签理解）
问题：TARGET 是有意富集"早期复发"的高危队列（如 P2 选择 4 年内复发者），且 ALL 复发富集样本相对确诊样本比例远高于自然人群。若把"复发与否"当普通二分类训练，会学到的其实是"入组富集规则"，且未处理的右删失（未复发但随访不足）会造成标签误标。
症状：看似很高的复发分类 AUC，独立队列上一文不值；删失者被粗暴当作"未复发"。
解决：
- 简单方法：区分 discovery 富集阶段与 general 队列，只用随访完整窗口明确者做事件标签。
- 进阶方法：用生存框架（Cox / RSF），把随访时间与删失标记都作输入，而不是硬二值化。
- SOTA 方法：对复发事件做时间分层并报告校准曲线；强调队列富集偏倚后只在外部自然队列验证复发预测。
参考：NCI ALL 三阶段复发富集设计
§6.6 数据增强
- 安全 ✅：对表达矩阵做基因集缩放/稳健 z-score；对变异矩阵做 dropout（模拟低覆盖）正则；对儿科弱标签做标签平滑以缓解误标。
- 危险 ❌：对同一 case 的复发/诊断样本做"翻折增强"并混入切分——会造成患者级泄漏；对平台间做盲目标签增强（会放大批次）；把亚克隆变异随机再采样当作新样本。
可用的安全增强示例（稀疏二值变异矩阵 dropout）：
import numpy as np
def dropout_genes(Xmat, p=0.1, rng=None):
"""以概率 p 把每个样本的部分基因事件置 0，模拟低覆盖（安全：不跨样本/平台）。"""
rng = rng or np.random.default_rng(0)
mask = rng.random(Xmat.shape) < p
return Xmat * (1 - mask)
增强务必发生在 case 分组内、平台内，且只在训练 fold 内部调用；否则即构成泄漏（见坑点 1/5 的边界）。
§6.7 模型推荐
| 任务类型 | 推荐模型 | 理由 |
|---|---|---|
| 变异/驱动显著性 | MutSig / OncodriveFML / 泊松显著性 | 儿科低 MAF 场景需纯度校正 |
| 转录组亚型分类 | 稀疏 LR / XGBoost / 浅 MLP | 特征稀疏、样本少，防过拟合 |
| 生存/复发 | Cox-PH / Random Survival Forest | 原生支持右删失 |
| 泛癌迁移测试 | 冻结骨干 + 少样本微调 | 评估成人模型儿科泛化边界 |
| 转录-拷贝数整合 | MOFA / 多组学 VAE | 显式建模跨模态共享与特有因子 |
§6.8 硬件需求
| 任务 | CPU/内存 | GPU | 数据量（预计） |
|---|---|---|---|
| MAF/表达统计 | 8 核/16 GB | 无 | 数百 MB~数 GB TSV |
| 变异-矩阵 ML | 8 核/16 GB | 可选 | 特征矩阵 MB 级 |
| 深度转录组分类 | 8 核/32 GB | 1× 中端 GPU | RNA-seq GCT 数 GB |
| 原始 BAM 全流程 | 高内存/大磁盘 | 无 | 受控原始数据 TB 级 |
§6.9 评估指标代码
import numpy as np
from lifelines import CoxPHFitter
from lifelines.utils import concordance_index
def cindex_via_cox(X_time, X_event, X_cov):
"""在时间-删失格式下拟合 Cox 并返回 C-index（无需硬二值化）。"""
df = pd.DataFrame(X_cov)
df["T"] = X_time
df["E"] = X_event
cph = CoxPHFitter(penalizer=0.01)
cph.fit(df, duration_col="T", event_col="E")
return cph.concordance_index_
分类子任务再用 AUC/校准（Brier）补充，并始终在 case 级 GroupKFold 上报告。
§6.10 MLOps 笔记
- 版本冻结：全项目固定一个 GDC Release + 参考基因组（GRCh38），manifest 入 git。
- 样本去重：用 case 级 UUID 做唯一键，杜绝诊断/复发样本重复入列。
- 用途合规台账：受控数据记录每项下游研究的 DS-PEDCR 用途，防合规漂移。
- 可复现：保存 caller/release/质控阈值快照；跨成员协作用统一 manifest 与 checksum。
落地的关键命令与清单（bash 风格）：
# 用 gdc-client 拉开放 manifest，并在团队内锁定同一 release
# 1) 先在 GDC Data Portal 构建 cohort 并导出 gdc_manifest.txt
# 2) 生成校验和并入库
gdc-client download -m gdc_manifest.txt -t gdc-user-token.txt --retry-amount 3
md5sum -c gdc_manifest.txt.md5 > checksum.log 2>&1
# 3) 记录数据源版本快照（每次跑都写明 release / GRCh38 / 过滤阈值）
cat > data_version.txt <<'EOF'
project: TARGET-ALL-P1
source: GDC Data Release 31 (GRCh38, GENCODE v22)
filter: protein-altering only, min_depth=8
EOF
合规红线（不可省）：受控数据每次投喂给训练任务都要记录"哪份授权 + 何种 DS-PEDCR 用途"，避免合规漂移后被审计追责。
§7 质量评估与局限性
§7.1 已知偏倚
| 类型 | 描述 | 严重程度 | 缓解 |
|---|---|---|---|
| 疾病富集偏倚 | 有意选高危/复发富集亚型，非人群比例 | 高（可预期） | 标注阶段与富集规则；外部自然队列验证 |
| 地理/族裔偏倚 | 以美国 COG 机构为主，覆盖不完全 | 中 | 报告人群构成；跨人群只做谨慎迁移 |
| 平台/阶段异质 | 不同年代/癌种用 WES/WGS/array 混合 | 高 | 平台分层、版本冻结、批次校正 |
| 样本配对偏倚 | 对照多为缓解期样本，潜在残存病变 | 中 | sample_type 编码 + 残存病变交叉验证 |
| 结局删失 | OS/EFS 随访不完全 | 中 | 生存框架 + 截尾处理 |
| 年龄带内偏倚 | 各癌种覆盖的年龄窗口不一（如某些实体瘤集中于低龄） | 中 | 报告年龄分布；按年龄带分层 |
| 分期/方案演化偏倚 | 跨年代诊疗方案改变结局分布 | 中 | 时间分层；声明方案差异 |
| 亚型构成偏倚 | Ph-like/ALAL 等富集使亚型比例偏离人群 | 中 | 报告亚型构成，勿当人群比例 |
§7.2 标注质量
- 临床/结局由 COG 统一方案采集，方案内一致性高；亚型（Ph-like 等）由表达+靶向测序综合判读，属相对可靠但非独立活检验证。
- 体细胞变异为计算调用 + 人工/规则审核，跨 caller 一致性有限，低 MAF 与缓解期对照区最易出错。
- 建议的变异 QC 清单：对每个纳入下游的驱动/调用变异，建议核验 ① 是否为蛋白影响分类、② t_depth 与 t_alt_count 是否达阈值、③ VAF 是否与纯度/倍性一致、④ 是否在缓解期对照中异常富集（提示残存污染），⑤ 是否仅来自单一 caller（跨 caller 复核）。把这一清单写入预处理脚本可显著降低标签噪声（对应坑点 6/7）。
§7.3 泛化性
| 场景 | 失效风险 | 证据 |
|---|---|---|
| 迁移到成人肿瘤 | 高——儿科驱动基因多不在成人集 | Nature 2018 证明多数儿科 driver 不见于成人 pan-cancer |
| 迁移到其它国家/人群 | 中——美国 COG 为主 | 缺乏国际验证队列系统报告 |
| 跨 GDC Release 复现 | 中——caller 集随版本变化 | Pindel 2019 追加 |
| 复发富集模型做自然人群复发预测 | 高——学习到入组规则而非真实风险 | ALL P2 为早期复发富集 |
泛化的根本约束：TARGET 是一组"意图性富集"队列而非人群普查，因此它的"内部可复现性高"与"对外部人群/方案的可迁移性有限"并不矛盾。稳健做法的判据是：结论若依赖儿科特有的驱动/突变谱（如 ALK、Ph-like 特征），跨人群较稳；结论若依赖某个试验方案的结局或复发富集规则，则强绑定该方案与该队列。撰写泛化声明时请明确你在做"生物学机制迁移"还是"临床结局迁移"，二者证据强度不同。
§7.4 伦理
- 数据经知情同意采集；共享前去标识化，原始序列存 dbGaP 受控访问。
- 涉及儿童这一脆弱人群，任何模型不得直接用于临床决策，须先经独立临床验证与监管审批。
§7.5 公平性
- 未提供系统性的亚组公平性基准；族裔/性别分层的结局差异（如少数族裔在复发 ALL 中的生存差异）已有 COG 报告（例如 Ligon JA et al., “Role of race and ethnicity in survival among children/young adults with relapsed ALL: a COG report”, Blood Adv 2025），提示复现时需报告亚组指标。
- 对模型开发者的建议：训练后至少报告按 性别 / 年龄带 / 族裔（当有开放数据时）分层的 区分度与校准差异；若出现稳定亚组差距，需判断其来自真实生物学、数据稀疏还是平台混杂，而非简单下结论。
§7.6 数据漂移
- 平台随时间演进形成"时间-平台"混淆；诊疗方案更新会改变结局分布。训练时若跨年份混用，需报告时间分层结果。
- 具体漂移来源：① 早期 NBL 等用 array，后期 RNA-seq（平台漂移）；② GDC 协调流程随 Release 变化（调用漂移，见坑点 6）；③ 治疗方案更新改变复发/生存分布（临床漂移）。对策：时间戳入库 + 报告按诊断年份分层的指标 + 冻结单一 GDC Release。
- 漂移监测最小做法：用前一个 Release 训练、在更新 Release 上做冷评估，看 AUC/C-index 是否崩坏；同时比较同一 case 在前后版本中的基因集差异。
§7.7 DAIMS 24 项评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ✅ | MAF/GCT/临床均便于转宽表；变异-基因矩阵可做 |
| 2 | 唯一标识 | ✅ | case/sample/aliquot 用 GDC UUID 全局唯一 |
| 3 | 特殊字符 | ✅ | TSV 规范，基因符号需清洗（如 -、.） |
| 4 | 重复行 | ⚠️ | 需自行按 case 去重；trio/多样本天然多行 |
| 5 | 缺失编码 | ✅ | 临床用 Not Reported/NaN，但需区分信息性缺失 |
| 6 | 标签标识 | ✅ | 结局 OS/EFS、风险分层明确字段化 |
| 7 | 罕见类分组 | ✅ | 官方按癌种分组；CCSK 仅 13 例需特别处理 |
| 8 | 偏倚评估 | ✅ | 有意的复发/高危富集偏倚已在文档披露 |
| 9 | 数据字典 | ✅ | GDC 官方数据字典 + Publication Pages |
| 10 | 信息性缺失解释 | ⚠️ | 跨模态缺失反映设计，但无系统说明，需自行推断 |
| 11 | 设备记录 | ✅ | GDC 记录平台/库；Legacy vs GRCh38 并存 |
| 12 | 共线性 | ⚠️ | 变异稀疏、基因高度相关，需特征选择 |
| 13 | 编码映射 | ⚠️ | 分子亚型标签与 ICD/SNOMED 需自行对齐 |
| 14 | 时间戳处理 | ✅ | GDC release 可追踪；参考基因组明确 |
| 15 | 划分建议 | ❌ | 官方无 train/test 划分；Validation≠测试集 |
| 16 | 泄漏讨论 | ✅ | 本站与论文均指出 case 级切分必要性 |
| 17 | 标签分布 | ✅ | 按癌种/阶段/结局可查询（非平衡、富集） |
| 18 | 测量偏倚 | ⚠️ | 跨平台强异质，需平台分层校正 |
| 19 | 外部验证建议 | ✅ | 大量独立儿科/成人对照验证先例 |
| 20 | 版本记录 | ✅ | dbGaP phs000218 迭代至 v26、GDC Release 追踪 |
| 21 | 预处理脚本 | ⚠️ | GDC 提供流程文档，但无端到端可复现 ML 脚本 |
| 22 | 合规要求 | ✅ | DUC/DS-PEDCR 明确；去标识化有政策 |
| 23 | 多模态对齐 | ⚠️ | WES/WGS/RNA 跨病例交叠稀疏，需自行 join |
| 24 | 去标识化 | ✅ | 临床与分子去标识化，原始序列受控 |
DAIMS 评分：18 / 24
评分解读：良好——作为 NCI 旗舰儿科组学项目，其在唯一标识、数据字典、版本记录与合规上的工程成熟度处于基因组队列数据集中的上游水平；缺失主要来自其"研究计划而非为 ML 而建"的本质：无官方 train/test 划分、跨模态样本交叠稀疏、平台历史异质、复发富集带来的有意偏倚都需使用方自行处理。
对你意味着什么：TARGET 是"分子金标准 + 临床结局"都非常扎实的队列，但别把它当开箱即用的 benchmark。你要补的是 6 个 ❌/⚠️ 项：按 case 做 GroupKFold（#15/#16）、记录每病例实际拥有的模态再对齐（#23/#10）、平台分层并在报告中区分 Discovery/Validation（#15/#18）、用 Cox 处理删失而非硬二分类（#18/#6）、冻结 GDC Release（#20）、必要时用缓解期样本之外的胚系队列复核（#11/#24）。把这些做了，其余 ✅ 项（字典、去标识、合规）就能让你专注生物/AI 问题而非数据清理。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| Ph-like ALL 靶向治疗 | COG / St. Jude 等（临床试验转化） | 激酶激活变异可靶性 | 分子可靶率 ~91% | — | 加 TKI 显著改善结局（NEJM 2014） |
| 独立 NBL 队列（GSE49710 等） | GEO 公开神经母细胞瘤 | 免疫/表达分型迁移 | 聚类稳定性 | 跨平台需校正 | 免疫亚型在独立队列可复现 |
| 儿科泛癌（含 St. Jude PCGP 数据） | St. Jude / PCGP | 驱动基因与突变谱 | 显著性基因命中 | 突变率一致 | 儿科 driver 多不见于成人集 |
| 独立 NBL 队列 GSE19274 | GEO（100 样本） | 免疫/预后特征迁移 | 亚型一致性 | 跨平台校正后稳定 | 独立队列复现免疫亚型 |
| 独立 NBL 队列 GSE45547 | GEO（649 样本） | 表达/风险分层验证 | 分层一致性 | — | 大型独立 NBL 表达队列 |
| 独立 NBL 队列 GSE73517 / GSE85047 | GEO（105/283 样本） | 表达与拷贝数联合验证 | 聚类稳定 | 需平台处理 | 跨平台联合验证的范例 |
示例来源 MDPI 免疫基因神经母细胞瘤研究（其用多队列外部验证免疫亚型）；真实复现时请以对应论文的独立验证协议为准。原则：任何 TARGET 训练模型都应有至少一个"未参与开发"的独立儿科队列给出校准与区分度证据。
§8 基准性能与生态
§8.1 排行榜/关键结果
TARGET 无社区统一 leaderboard；最有据可查的"基准结果"来自其旗舰表征论文（本质是分子发现而非共享榜），下表以关键结果呈现：
| 排名/位置 | 模型/方法 | 结果 | 年份 | 关键技术 | 完整引用 |
|---|---|---|---|---|---|
| — | Ph-like 激酶激活变异识别 | 91% Ph-like 检出可靶激酶激活事件 | 2014 | 转录谱 + 融合/测序 | Roberts et al., N Engl J Med, 2014. doi:10.1056/NEJMoa1403088 |
| — | 儿科泛癌驱动基因/突变谱 | 142 个显著驱动基因；11 种突变签名 | 2018 | WGS/WES/RNA 整合 | Ma et al., Nature, 2018. doi:10.1038/nature25795 |
| — | ALAL 细胞起源 | 解析混合谱系白血病遗传基础 | 2018 | WGS + 表观 | Alexander et al., Nature, 2018. doi:10.1038/s41586-018-0623-z |
| — | T-ALL 基因组景观 | 定位儿科 T-ALL 驱动与复发事件 | 2017 | WES/转录/拷贝数 | Liu et al., Nat Genet, 2017. doi:10.1038/ng.3909 |
注：上述数值为分子表征结果而非可比较的共享测试榜，跨研究不可直接比较；榜单性质请勿误读为标准 benchmark。
§8.2 SOTA 与选型建议
就"用什么基线"而言，TARGET 社区当前的做法是：变异任务以 GDC 多 caller 共识为保守基线；转录组分类以监督 LR/浅 ML 为主（样本少防过拟合）；生存以 Cox/RSF 为稳健基线。选型建议：小样本 + 高稀疏 → 正则化经典 ML 优先，深度网络仅在足够大且跨平台对齐后采用。
按任务的选型决策表
| 你的目标 | 首选方法 | 何时可升级 | 何时该克制 |
|---|---|---|---|
| 找驱动/差异基因 | 显著性统计 + 差异分析 | 有多平台共识时 | 别用深度网络硬编基因名 |
| 转录组分型 | L1/L2 正则 LR | 样本>500 且平台一致 | 平台混杂时先校正再谈深度 |
| 复发/生存 | Cox / RSF | 需处理删失与分层 | 样本小就别上深度生存网络 |
| 变异存在性分类 | 规则 + 决策树 | 需解释性 | 低 MAF/残存病变未清时别直接训 |
| 泛癌/儿科-成人对比 | 迁移 + 冻结骨干微调 | 有对照 TCGA | 先确认特征/参考一致 |
经验法则：TARGET 单病种有效全表征样本多为数百量级，深度模型的收益常被平台批次与标签噪声抵消；先把数据血缘（平台、版本、删失）管对，往往比换更大的模型更能提升可复现的性能。
§8.3 评测协议
- 病例级分组、平台分层、固定 GDC Release；报告 Discovery/Validation 分离。
- 生存用 C-index/校准；分类用 AUC + Brier；变异用一致性/人工复核抽样。
- 生态强调"儿科外部验证"，避免只用内部 CV。
推荐的最小评测协议（可作为论文方法学模板）
| 模块 | 建议内容 | 失败信号 |
|---|---|---|
| 数据切分 | 按 case 的 GroupKFold；训练仅用 Discovery/全表征 | 训练/测试含同一患者样本 |
| 平台处理 | 报告各 fold 内平台构成；必要时分平台训练 | 平台与标签强相关 |
| 版本 | 固定 GDC Release + 参考 + GENCODE | 跨版本变异不一致 |
| 标签 | 结局用 Cox/生存；亚型用外部验证 | 复述聚类过程得高 AUC |
| 指标 | C-index/AUC/Brier + 校准曲线 + 亚组报告 | 只在内部 CV 自证 |
| 外部验证 | 至少 1 个独立儿科队列 | 无外部证据 |
§8.4 相关数据集
| 数据集 | 关系 | 用途 |
|---|---|---|
| TCGA | 成人肿瘤对照 | 儿科-成人对比、迁移泛化 |
| St. Jude Cloud / PCGP | 儿科 WGS 开放云 | 交叉验证与深度分析 |
| Kids First（TARGET AML/NBL 子集） | TARGET 子集镜像 | 家族/生殖系视角 |
| CGCI Burkitt Lymphoma | 另一 NCI 儿科项目 | 泛癌扩展 |
| CPTAC | 蛋白组补充 | 蛋白-基因组联合 |
| GEO 神经母细胞瘤（GSE49710/GSE19274 等） | 独立公开表达队列 | 外部验证 NBL 发现 |
镜像重叠提醒：TARGET 部分子集（如 AML、NBL）同时存在于 Kids First、PedcBioPortal 与 GDC，且 CCDI/CCDC 目录显式记录这种跨资源重叠（来源 CCDI 博客）。从多资源汇总做"病例数统计"极易重复计数同一患者——跨资源整合时务必以唯一 case/受试者标识去重，并声明你所依的权威副本（建议以 dbGaP/GDC 为准）。
§8.5 关键论文 Top 表
| 论文 | 贡献 | 出处 |
|---|---|---|
| Roberts et al., 2014, N Engl J Med 371:1005-1015. Targetable kinase-activating lesions in Ph-like ALL | Ph-like 定义与可靶激酶谱，驱动 TKI 治疗 | doi:10.1056/NEJMoa1403088 |
| Ma et al., 2018, Nature 555:371-376. Pan-cancer genome and transcriptome analyses of 1,699 paediatric cancers | 儿科泛癌驱动基因与突变谱基准 | doi:10.1038/nature25795 |
| Alexander et al., 2018, Nature 562:373-379. Genetic basis and cell of origin of mixed phenotype acute leukaemia | ALAL 细胞起源 | PMID:30209392 |
| Liu et al., 2017, Nat Genet 49:1211-1218. Genomic landscape of pediatric and young adult T-lineage ALL | T-ALL 基因组 | PMID:28671688 |
| Ma et al., 2015, Nat Commun 6:6604. Rise and fall of subclones from diagnosis to relapse in pediatric B-ALL | 复发亚克隆进化 | PMID:25790293 |
| Mullighan et al., 2009, N Engl J Med 360:470-480. Deletion of IKZF1 and prognosis in ALL | 早期高风险基因预后 | doi:10.1056/NEJMoa0808253 |
| Heath et al., 2021, Nat Genet 53:257-262. The NCI Genomic Data Commons | GDC 引用（数据托管） | doi:10.1038/s41588-021-00791-5 |
说明：上表为核心"方法/数据论文"；病种级完整文献清单请见 NCI TARGET 出版物页（按癌种归档，涵盖 ALL/AML/NBL/WT/OS/RT/CCSK 各自表征与后续分析）。涉及族裔差异的复发 ALL 生存分析（如 Ligon et al., Blood Adv 2025）属后续 COG 独立报告，供 §7.5 公平性讨论参考，并非 TARGET 本体数据论文。
§8.6 社区活跃度
- NCI 持续维护研究/出版物/平台页；GDC 每月支持 webinar 与 release notes。
- 引用量高：Ph-like 论文（NEJM 2014）在 Google Scholar 逾 2,400 次（截至 2026-09），为儿科精准医学奠基文献之一。
- CCDI/CCDC 与 Kids First 等生态持续链接该数据集。
- 参与方生态：St. Jude、UNM、Colorado、WashU、COG 等构成的多机构协作仍在通过后续试验（如 AALL1631 imatinib 试验）延续 TARGET 的转化链条。
活跃度信号速览
| 信号 | 状态（截至 2026-09） | 说明 |
|---|---|---|
| dbGaP 版本迭代 | phs000218 已至 v26 | 数据持续再处理与发布 |
| GDC 协调 Release | Release 31+ | 镜像平台持续同步 |
| 生态镜像 | PedcBioPortal、Kids First、CCDC | 多平台可访问 |
| 转化延续 | COG AALL1631 等后续试验 | Ph-like 靶向治疗进入前瞻验证 |
| 引用量 | 旗舰论文 Google Scholar >2,400 次 | 高影响力奠基文献 |
§8.7 生态快照
| 资源 | 类型 | 链接 | 推荐理由 |
|---|---|---|---|
| NCI TARGET 项目页 | 官方 | cancer.gov target | 研究/癌种/平台一手信息 |
| GDC Data Portal | 数据/API | portal.gdc.cancer.gov | 官方下载与 cohort 构建 |
| dbGaP phs000218 | 受控申请 | ncbi dbGaP | DAC 授权入口 |
| GDC Publication Pages | 论文+补充 | gdc.cancer.gov | 与论文对齐的补充数据 |
| PedcBioPortal | 可视化 | pedcbioportal | 免下载探索基因-样本 |
| Kids First | 云/数据 | kidsfirstdrc.org | TARGET AML/NBL 子集视角 |
§9 相关资源与引用
官方入口
| 资源 | 链接 |
|---|---|
| TARGET 官方项目页 | https://www.cancer.gov/ccg/research/genome-sequencing/target |
| GDC TARGET 数据 | https://portal.gdc.cancer.gov/projects/TARGET-ALL-P1 |
| dbGaP 受控申请 | https://www.ncbi.nlm.nih.gov/projects/gap/cgi-bin/study.cgi?study_id=phs000218 |
| TARGET Use & Publication Guidelines | 见项目页相关文献区 |
教程、工具与文档
| 资源 | 类型 | 说明 |
|---|---|---|
| GDC Documentation / User’s Guide | 官方文档 | Data Portal、API、下载流程 |
| GDC Data Dictionary | 字段字典 | case/sample/file 字段定义 |
| GDC 月度 webinar（支持） | 官方支持 | cohort 构建与数据分析答疑 |
| dbGaP Authorized Access 指引 | 申请教程 | 受控访问申请路径 |
| GDC Data Transfer Tool | 下载工具 | 大数据量高吞吐下载 |
| PedcBioPortal 用户手册 | 可视化教程 | 浏览器端探索 TARGET 子集 |
| CCDI 数据目录（CCDC） | 生态索引 | 定位各镜像中的 TARGET 子集 |
BibTeX 完整引用块
@article{roberts2014phlike,
title={Targetable kinase-activating lesions in {Ph}-like acute lymphoblastic leukemia},
author={Roberts, Kathryn G and Li, Yongjin and Payne-Turner, Debbie and Harvey, Richard C and others},
journal={N Engl J Med},
volume={371}, number={11}, pages={1005--1015}, year={2014},
doi={10.1056/NEJMoa1403088}}
@article{ma2018pancancer,
title={Pan-cancer genome and transcriptome analyses of 1,699 paediatric leukaemias and solid tumours},
author={Ma, Xiaotu and Liu, Yu and Liu, Yanling and Alexandrov, Ludmil B and others},
journal={Nature}, volume={555}, number={7696}, pages={371--376}, year={2018},
doi={10.1038/nature25795}}
@article{alexander2018mpal,
title={The genetic basis and cell of origin of mixed phenotype acute leukaemia},
author={Alexander, Thomas B and Gu, Zhaohui and Iacobucci, Ilaria and others},
journal={Nature}, volume={562}, number={7727}, pages={373--379}, year={2018},
doi={10.1038/s41586-018-0623-z}}
@article{heath2021gdc,
title={The {NCI} Genomic Data Commons},
author={Heath, Allison P and Ferretti, Vincent and Agrawal, Stuti and others},
journal={Nat Genet}, volume={53}, pages={257--262}, year={2021},
doi={10.1038/s41588-021-00791-5}}
引用指南
- 使用 TARGET 数据请遵循 NCI TARGET Use and Publication Guidelines；引用 GDC 协调数据时同时引用 GDC（Heath 2021）。
- 受控数据论文须声明 dbGaP 授权编号（phs000218）。
建议入门路线图（由浅入深）
| 阶段 | 做什么 | 门槛 | 产出 |
|---|---|---|---|
| 1 熟悉 | 用开放 MAF/临床在 GDC 建 cohort、看病例-样本映射 | 免费账号 | 熟悉层级与字段 |
| 2 原型 | 开放表达/拷贝数跑一个分类或生存基线 | 免费 | 基线指标 + 数据血缘清单 |
| 3 深入 | 申请 dbGaP 受控，做多模态/复发进化 | DUC/DS-PEDCR | 驱动/复发研究 |
| 4 转化 | 与 COG/临床合作把分子标签接入试验分层 | 合规+临床伙伴 | 可迁移的临床假设 |
提醒：从第 1 阶段就养成"固定 Release + 按 case 切分 + 记录筛选"的习惯，后续升级到受控数据时能省大量返工。
术语表（文中高频缩写）
| 缩写 | 全称/含义 |
|---|---|
| ALL / AML | 急性淋巴细胞白血病 / 急性髓系白血病 |
| ALAL | 急性谱系不明白血病（Phase 3 研究） |
| NBL / WT / OS / RT / CCSK | 神经母细胞瘤 / 肾母细胞瘤 / 骨肉瘤 / 横纹肌样瘤 / 肾透明细胞肉瘤 |
| Ph-like | 费城染色体样 ALL（BCR-ABL 样表达但无 BCR-ABL 融合） |
| WES / WGS | 全外显子测序 / 全基因组测序 |
| OS / EFS | 总生存 / 无事件生存（删失型结局字段） |
| DAC / DUC | dbGaP 数据访问委员会 / 数据使用认证 |
| DS-PEDCR | 数据使用限制（Disease-Specific，仅限儿科癌症研究） |
| GDC / dbGaP | NCI 基因组数据共享平台 / NIH 基因型-表型数据库 |
| COG | 儿童肿瘤协作组（临床与样本来源） |
§10 AI 使用声明卡
10.1 AI 模型列表
本文由自动化写作管线生成初稿，使用多模态通用大语言模型（fast-model）作为主要起草工具；无独立专用领域模型参与医学结论生成。
10.2 AI 参与范围
- 事实检索与结构化：WebSearch 检索官方 NCI/GDC/dbGaP 页面与同行评审文献。
- 起草：按写作宪法生成 frontmatter/正文/JSON-LD。
- 校验：check_md.py 自动化质量门禁。
- 医学与数据工程结论由人工交叉审核，AI 不独立下医学判断。
10.3 输入来源列表
- NCI TARGET 项目页 — https://www.cancer.gov/ccg/research/genome-sequencing/target
- NCI TARGET 癌种页 — https://www.cancer.gov/ccg/research/genome-sequencing/target/studied-cancers
- NCI ALL 三阶段页 — https://www.cancer.gov/ccg/research/genome-sequencing/target/studied-cancers/acute-lymphoblasic-leukimia
- NCI TARGET Origins/Outcomes — https://www.cancer.gov/ccg/research/genome-sequencing/target/about
- NCI TARGET Initiative（2005-2009 历史）— https://www.cancer.gov/research/progress/discovery/target-initiative
- GDC 博客（2019 儿科数据发布）— https://www.cancer.gov/ccg/blog/2019/gdc-childhood-data
- dbGaP phs000218 — https://www.ncbi.nlm.nih.gov/projects/gap/cgi-bin/study.cgi?study_id=phs000218
- dbGaP phs000463（ALL P1）— https://www.ncbi.nlm.nih.gov/projects/gap/cgi-bin/study.cgi?study_id=phs000463.v19.p8
- Roberts 2014 NEJM — https://pubmed.ncbi.nlm.nih.gov/25207766
- Ma 2018 Nature pan-cancer — https://doi.org/10.1038/nature25795
- GDC ALL publication summary — https://gdc.cancer.gov/content/target-all-publications-summary
- GDC FAQ — https://gdc.cancer.gov/index.php/about-gdc/gdc-faqs
- CGC TARGET GRCh38 文档 — https://docs.cancergenomicscloud.org/docs/target-data
- CCDI Data Catalog 博客 — https://www.ccdatalab.org/blog/cataloging-the-childhood-cancer-data-catalog-ccdc
- ICD-11 中文版第 2 章（Wikisource/KEGG）— https://www.kegg.jp/kegg-bin/get_htext?htext=br08403.keg
- MDPI 神经母细胞瘤复现研究 — https://www.mdpi.com/2072-6694/12/7/1739/html
10.4 人工校验表
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §2 医学背景与 ICD-11/SNOMED | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §4 DAIMS 数据字典 | 千方病案医学编辑部（医疗 AI 数据工程师） | 交叉审核 | ✅ 已通过 |
| §5 数据划分 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §6 预处理与坑点 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §7 质量与偏倚 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §8 基准与引用 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| frontmatter/INFOBOX/数字核对 | 千方病案医学编辑部 | 来源比对 | ✅ 已验证 |
10.5 AI 生成章节标注
正文全文由 AI 起草，并在 §10.2 记录参与范围；医学结论均以上述来源为准并经人工校验，未做任何未经来源支撑的推断。
10.6 最后人工审核日期
2026-09-05（与 §0 审核日期一致）。
页面状态：published（全部内容已完成审核并发布）
