胶质母细胞瘤 TCGA-GBM — 六百一十七例与二百六十二例影像

TCGA-GBM 是 TCGA 计划最早启动、也最早交卷的癌种项目。2005 年立项，2008 年在 Nature 发表首篇多平台整合论文，把 206 例胶质母细胞瘤的拷贝数、表达、甲基化与部分外显子序列放在同一张图上，用成规模的测量说明「癌症是一组通路被反复打断」。此后它成为 TCGA 的方法学模板，其余癌种基本沿用了这套结构。

它的对象是成人最常见的恶性脑肿瘤。这个病的特点决定了数据形态：肿瘤几乎不做根治性切除，标本来自减压手术，正常对照只有血液；病程短、随访事件密集，但影像随访缺失；组织学诊断在 2016 年被分子分型改写，队列里那批按形态入组的标签需要重新推导。

下面按「它解决什么麻烦、里面有什么、怎么取、边界在哪」四段展开，规模数字取自 GDC 项目端点与 TCIA 集合页，生物学结论取自 2008 年 Nature 与 2013 年 Cell 两篇主论文，核验日期写在附录。一屏速览见下表。

维度	内容
全称	The Cancer Genome Atlas Glioblastoma Multiforme
项目编号	TCGA-GBM（GDC project_id）
发起机构	美国国家癌症研究所（NCI）与国家人类基因组研究所（NHGRI）
立项与主论文	2005 年立项，2008 年 Nature 首篇，2013 年 Cell 重分析
病例规模	六百一十七例（GDC 项目页，2026-10 查询）
文件规模	三万零五百八十七份，合计约 263 TB
数据类别	10 类：简单核苷酸变异、测序读段、生物样本、临床、拷贝数、转录组、甲基化、蛋白组、体细胞结构变异、结构变异
数据子类型	25 种（data_type 口径）
实验策略	11 种：WXS、WGS、RNA-seq、miRNA-seq、甲基化阵列、SNP 阵列、表达阵列、RPPA、诊断切片、组织切片、ATAC-seq
样本构成	原发肿瘤六百零六例、复发肿瘤十三例、血液正常五百一十二例、实体组织正常四十例（按病例计，同一病例可有多类样本）
影像集合	TCIA TCGA-GBM，二百六十二例、五百七十五次检查、五千四百一十二个序列
影像模态	MR、CT、DX（平片），不含 PET
影像体量	73.51 GB（DICOM 原始）
病理切片	诊断切片三百八十九例、组织切片六百零六例，存 GDC
蛋白层	RPPA 二百三十七例
主键	患者 barcode（TCGA-XX-XXXX），影像与组学共用
访问层级	开放层免注册；受控层经 dbGaP phs000178
合并队列	GBMLGG 1,122 例（2016 年 Cell，分析层合并，非独立项目）

§1 它要解决的具体麻烦

1.1 一句话结论：它解决的是「通路被打断在哪一节」的问题

2005 年之前的脑肿瘤研究，主流做法是一个基因一个基因地看。EGFR 扩增、TP53 突变、PTEN 缺失各自都有一批论文，但没人能说清这些事件在同一批肿瘤里如何组合，也无法回答「一个肿瘤平均要被打断几条通路才会恶变」。

TCGA-GBM 的设计就是为这个问题准备的：对同一批标本同时测拷贝数、表达与甲基化，挑一部分做外显子测序，然后把三类事件叠在同一套基因与通路上。它得到的结论不是「某个基因很重要」，而是「三条通路几乎在所有样本里都被打断，只是打断的方式不同」。这个结论后来被写进教科书，也成为泛癌分析的起点。

把这句话展开成可操作的判断，可以拆成三层。第一层，如果你要问「某个分子事件在 GBM 里的整体位置」，它是最省事的一站，因为通路层面的整理已经做完。第二层，如果你要问「影像能不能预测分子亚型」，它也能用，但只有二百六十二例有影像，且亚型标签需要自己推导。第三层，如果你要问「复发时发生了什么」，它答不了，复发样本只有十三例。

你想问的问题	需要什么	够不够
三条核心通路在各样本里如何被打断	拷贝数、突变、表达、甲基化同源	够，这是它的设计目标
分子亚型与影像表型是否相关	同源影像加亚型标签	勉强够，影像二百六十二例，标签需自推
复发与进展的分子机制	配对的原发与复发标本	不够，配对样本极少
治疗前后分子变化	治疗前后的连续取样	不够，采集以术前为主

1.2 三条常见的错误期待

第一条，把它当成「六百多例的完整多组学」。项目确实收录六百一十七例，但完整跑过四类以上测量的只是其中一部分，蛋白层只有二百三十七例，RNA-seq 覆盖二百九十三例。按最大病例数规划多组学融合，会在取交集时发现可用样本远少于预期。

第二条，把它当成「带标注的脑肿瘤影像集」。影像确实有二百六十二例，但项目本身不提供任何病灶勾画，也没有统一的分割标签；影像来自常规诊疗，扫描仪、层厚、序列组合由各站点自定。要拿它做分割，得先解决标注问题。

第三条，把它当成「按当代分类整理好的队列」。它按组织学诊断入组，临床表里没有 IDH 状态，也没有 1p/19q 共缺失。2016 年之后的世界卫生组织分类把这些信息放在诊断的核心位置，用它做当代研究必须自己补这一步。

常见期待	实际情况	后果
「六百多例都是全组学」	各层覆盖从二百三十七到六百零六例不等	取交集后样本量骤减
「影像是标准研究序列」	常规诊疗图像，参数由站点决定	跨站点训练容易学到设备特征
「自带肿瘤分割掩膜」	无官方勾画	分割任务需自建标注
「临床表里有 IDH 状态」	无此字段，需从突变或甲基化推导	分型结论依赖自建规则
「复发标本够做纵向分析」	复发肿瘤样本仅十三例	纵向结论没有统计效力
「和低级别胶质瘤是同一批人」	两个项目病例互斥	合并计数会重复或错配

1.3 它能给到的与给不到的

你的需求	它给的	够不够
通路层面的分子图谱	三条核心通路的完整事件表	够，且是文献标准口径
突变与拷贝数的联合分析	外显子突变、基因级拷贝数、片段级拷贝数	够，覆盖数百例
表观遗传分型	甲基化 beta 值，四百二十三例	够做 G-CIMP 一类的分型
蛋白层验证	RPPA 二百三十七例	够做靶点验证，不够做规模训练
影像配分子标签	二百六十二例术前影像配同源组学	够做探索性研究
病理切片弱监督	诊断切片三百八十九例	够做多实例学习
病灶分割掩膜	无	不够，需借 BraTS 等派生集合
复发与进展分析	十三例复发样本	不够
治疗反应标签	缺统一疗效判定与治疗表	不够

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
想验证一个新亚型在公共队列里是否成立	提供表达、甲基化、拷贝数三套矩阵	先固定分型方法，再与已发表标签比对
手上有脑 MRI 模型，缺分子标签做外部验证	二百六十二例同源影像可做一小折测试	按 barcode 取交集，按站点分层报告
做病理基础模型，需要带分子标签的切片	诊断切片三百八十九例配突变与生存	走 GDC 切片下载，注意 SVS 体积
写综述，需要 GBM 多组学的标准参照	2008 年 Nature 与 2013 年 Cell 是通用引用	同时给项目 DOI 与数据查询日期
教学，需要一条完整的多模态病例	一位患者可串起影像、切片、突变、表达、随访	用 §4.3 的案例做贯穿演示
想做复发机制研究	复发样本仅十三例	改用 GLASS 等纵向队列

1.5 一句话判断

它是一个把「通路被打断在哪一节」问到极致的项目，样本量从来不是它的卖点；用它做机制与参照合适，用它做规模与纵向分析不合适。

1.6 不适合谁：四条边界

边界	具体表现	更适合的替代
追求影像规模与标注	二百六十二例，无勾画，参数不齐	BraTS 系挑战集、UCSF-PDGM
追求复发与纵向	复发样本十三例，无影像随访	GLASS、TCGA 之外的纵向队列
追求当代分子诊断标签	无 IDH 与 1p/19q 字段	自行推导，或改用已整理分型的派生队列
追求治疗反应	无统一疗效判定	QIN-GBM 一类治疗反应集合、临床试验队列

§2 数据构成与规格

2.1 两棵树：GDC 的患者树与 TCIA 的影像树

GDC 的组织方式是四层：case 是患者，sample 是切下来的某一块组织，aliquot 是分装出的一管核酸，analysis 是跑出来的文件。四层都用同一套 barcode 逐级收窄，前十二位在四层里不变。

TCIA 是另一棵树，只有患者、检查、序列、图像四级，且只在患者级与 GDC 相接：DICOM 的 PatientID 就是 GDC 的 case_submitter_id，两者字符串相等，不需要桥表。这个设计在 TCGA 各癌种里是统一的，GBM 也不例外。

两棵树的分工要说清：组学与临床在 GDC，放射影像在 TCIA，病理切片扫描在 GDC 的文件层而不是 TCIA。做三模态对齐时，正确的顺序是先按患者级把两棵树连起来，再在样本级内部分析切片与组学，不要把影像往某个具体等分样上对。

层级	GDC 侧	TCIA 侧	连接键
患者	case，十二位 barcode	Patient，PatientID	TCGA-XX-XXXX
样本	sample，含样本类型码	无	不适用
检查	无	Study，含检查日期	不适用
序列	无	Series，含模态与序列号	不适用
文件	分析文件，含 UUID	DICOM 实例	不适用
临床	病例表、诊断表、随访表	集合页附带的临床压缩包	患者 barcode

2.2 字段与记录的字典

临床侧的主体是三块：人口学、诊断、随访。人口学十五个字段，诊断十五个字段，随访八个字段。这个规模在 TCGA 各癌种里偏小，原因不是采集粗糙，而是脑肿瘤的临床路径短：从诊断到死亡往往不足两年，中间的可记录节点少。

字段块	代表字段	字段数	说明
人口学	sex_at_birth、race、ethnicity、vital_status	15	年龄以诊断时年龄给出
诊断	primary_diagnosis、morphology、tissue_or_organ_of_origin	15	以 ICD-O-3 编码为主
随访	days_to_follow_up、disease_response、timepoint_category	8	多行，需按病例取最后一行
结局	days_to_death、days_to_last_follow_up	2	分列在人口学与随访表中

样本侧的字段决定了一份数据属于肿瘤还是正常、原发还是复发。这一位字符的差别，直接决定下游所有比较的方向。

字段	取值示例	用途
sample_submitter_id	TCGA-06-0131-01A	样本级标识
sample_type	Primary Tumor / Recurrent Tumor	区分原发、复发与正常
tissue_type	Tumor / Normal	组织来源
specimen_type	Solid Tissue	标本形态
preservation_method	FFPE / Snap Frozen	影响核酸质量
days_to_collection	整数	相对诊断日的天数

文件侧的关键是四个属性：data_category 给粗分类，data_type 给细分类，experimental_strategy 给测量方法，access 给访问层级。四者组合起来才能准确描述一份文件是什么。

字段	取值示例	用途
file_id	UUID 字符串	下载与去重的主键
file_name	形如 uuid.htseq.counts.gz	判断内容与格式
data_category	Transcriptome Profiling	粗粒度分类
data_type	Gene Expression Quantification	细粒度类型
experimental_strategy	RNA-Seq	实验方法
access	open / controlled	决定是否需要 dbGaP
file_size	字节数	规划存储
md5sum	三十二位十六进制	校验完整性

2.3 一条记录的解剖

把一位患者摊开，可以看到 barcode 如何逐级收窄。前四段跨模态通用，后四段只在组学侧有意义。

TCGA-06-0131-01A-01R-1849-01
│    │  │    │ │ │ │    │
│    │  │    │ │ │ │    └─ 中心代码
│    │  │    │ │ │ └────── 板号
│    │  │    │ │ └──────── 分析物类型（R = RNA）
│    │  │    │ └────────── 部分与孔位
│    │  │    └──────────── 样本类型（01A = 原发肿瘤）
│    │  └───────────────── 患者序号
│    └──────────────────── 组织来源站点
└───────────────────────── 项目前缀

这个结构带来三个实用推论。第一，跨模态连接只用到前十二位，多截一位就会把交集做小。第二，样本类型码的第两位区分原发与复发，做复发分析时不能只按患者去重，否则会把同一患者的两次手术压成一条。第三，切片属于样本级，一个患者可能有多张切片，聚合到患者级时要先定规则。

标识段	位数	含义	是否跨模态
TCGA	4	项目前缀，固定	是
TSS	2	组织来源站点	是
Participant	4	患者序号	是
Sample	3	样本类型与顺序	否，仅组学与病理
Vial/Portion	2	份数与孔位	否
Analyte	2	分析物类型	否
Plate	4	板号	否
Center	2	测序或分析中心	否

对齐目标	应使用的粒度	不能做的事
影像与突变	患者级十二位	用样本级标识去连影像
影像与切片	患者级先连，再在样本内挑切片	假设切片对应影像里的病灶
表达与甲基化	样本级或等分样级	跨样本类型合并
临床与全部	患者级	把随访多行直接并进主表

2.4 数据类别与实验策略

十个数据类别里，文件数最多的是简单核苷酸变异，其次拷贝数，两者合计超过一半。这个形状与其他 TCGA 项目一致：变异调用会按样本、按调用器、按格式重复落盘，文件数天然膨胀；真正的信息量要看覆盖病例。

数据类别	文件数	覆盖病例	说明
Simple Nucleotide Variation	9,789	601	体细胞突变调用，含多种格式
Copy Number Variation	6,981	600	基因级与片段级拷贝数
Sequencing Reads	3,251	428	比对后的读段文件
Biospecimen	2,920	617	样本与标本元数据
Transcriptome Profiling	1,898	572	表达与小 RNA 定量
Structural Variation	1,847	375	结构变异调用
DNA Methylation	1,350	423	探针级 beta 值
Clinical	1,219	617	病例、诊断、随访表
Somatic Structural Variation	1,089	335	体细胞结构变异
Proteome Profiling	243	237	RPPA 蛋白丰度

实验策略的覆盖面更能说明「同一患者被几种尺子量过」。基因分型阵列覆盖最广，接近六百例；外显子与全基因组测序各覆盖三四百例；表达阵列与 RNA-seq 分属两代平台，覆盖合计五百余例；蛋白层最薄。

实验策略	文件数	覆盖病例	主要产物
Genotyping Array	7,348	599	拷贝数与杂合性缺失
WXS	7,897	401	外显子突变
WGS	4,688	347	全基因组变异与结构变异
RNA-Seq	3,519	293	表达定量
miRNA-Seq	834	273	小 RNA 表达
Expression Array	560	540	芯片表达
Methylation Array	1,350	423	甲基化 beta 值
Diagnostic Slide	860	389	诊断切片扫描
Tissue Slide	1,193	606	组织切片扫描
Reverse Phase Protein Array	243	237	蛋白丰度
ATAC-Seq	9	9	染色质可及性，补测小批

这里有一处最容易读错的地方：表达层有两套平台并存，芯片五百四十例、测序二百九十三例，两者基因标识与归一方式都不同，不能直接拼接。做表达分析前先决定用哪一套，把选择写进方法学，比事后校正更省事。

2.5 与同类资源的字段差异

同样是 GBM 多组学，TCGA-GBM 的长处在通路级整合与影像配对，短处在样本量与当代分型标签。把它与 CPTAC 的蛋白组版本、与影像挑战集放在一起看，分工就清楚了。

维度	TCGA-GBM	CPTAC GBM	BraTS 系
病例规模	六百一十七	九十九	千例级，逐年扩
主打层	突变、拷贝数、甲基化、表达	蛋白组与磷酸化蛋白组	多参数 MRI 与分割掩膜
影像	二百六十二例，无勾画	有配对影像子集	有，且带体素级标注
分型标签	需自推 IDH 与 1p/19q	部分整理	不提供分子标签
典型用途	通路机制与参照	蛋白层验证	分割与影像模型

§3 核心层 A：项目身份与三条边界

3.1 它在 TCGA 里的坐标

TCGA 是计划，GBM 是其中最早的一个项目。计划层面回答「癌症的共同分子逻辑是什么」，项目层面回答「胶质母细胞瘤这一种病被测量到了什么程度」。两个层面的数字不能互换：计划是三万多种样本量级的集合，项目是六百一十七例。

层级	对象	规模口径	回答的问题
计划	TCGA	33 个癌种、上万患者	跨癌种的分子共性
项目	TCGA-GBM	六百一十七例	单一癌种的多组学全貌
合并分析	GBMLGG	见 §3.3	弥漫性胶质瘤的连续谱
影像子集	TCIA TCGA-GBM	二百六十二例	影像与分子的配对

3.2 与泛癌总库的明确分工

库内已有 TCGA 泛癌总库词条，它把 33 个癌种放在一个入口下，重点在跨癌种比较与统一临床资源。本篇只做一件事：把 GBM 这一个项目的七层组学、影像子集、临床字段与取数路径讲到能直接开工。

分工可以用三句话记住。泛癌总库回答「胶质母细胞瘤在 33 个癌种里处于什么位置」，本篇回答「这一个项目里每一层数据长什么样」。泛癌总库的典型表格是癌种乘模态的覆盖矩阵，本篇的典型表格是患者乘数据层的覆盖与取数路径。泛癌总库的临床口径统一到四类生存终点，本篇要讲清每个字段的取值与缺失形态。

关注点	泛癌总库	本篇
分析单位	癌种	患者与样本
核心表格	癌种乘模态覆盖	病例乘数据层覆盖
影像处理	一句带过，指向 TCIA	模态、站点、序列、对齐逐项展开
临床处理	统一到派生终点	字段块、缺失形态、版本差异
取数代码	通用 GDC 查询	GBM 专用过滤与交集脚本
适用任务	跨癌种迁移、泛癌分型	脑肿瘤多模态、放射基因组学

3.3 与低级别胶质瘤的边界：项目互斥，分析层合并

这是本篇最需要写清的一处。GDC 里 TCGA-GBM 与 TCGA-LGG 是两个独立项目，前者六百一十七例，后者五百一十六例。按患者 barcode 取交集，结果为零；并集是一千一百三十三例。也就是说，在项目层，两者没有一个病例是重复的。

文献里频繁出现的 GBMLGG 不是第三个项目，而是 2016 年 Cell 那篇弥漫性胶质瘤论文的分析队列：把两个项目的样本合起来，按 IDH 突变与 1p/19q 共缺失重新分层，最终纳入一千一百二十二例。与两个项目并集相差的十一例，是该分析未纳入的样本，官方未逐例说明原因。

口径	例数	层级	能否当作 GBM 规模
TCGA-GBM（GDC 项目）	六百一十七	项目	是
TCGA-LGG（GDC 项目）	五百一十六	项目	否，另一癌种
两者并集	一千一百三十三	项目相加	否，含低级别
GBMLGG（2016 合并分析）	1,122	分析队列	否，含低级别

这个结构有一个临床背景：组织学诊断会在病程中改变，一部分低级别胶质瘤在复发时被判为胶质母细胞瘤。但在 TCGA 的入库规则里，患者只归入一个项目，归属由入组时的诊断决定，因此项目层看不到同一个人出现在两边。要做「低级别升级为高级别」的研究，靠这两个项目的交集是找不到的，必须用真正的前后配对队列。

另有一层标签问题需要说明。2016 年的世界卫生组织分类把胶质母细胞瘤拆成 IDH 野生型与 IDH 突变型两个实体，2021 年的第五版进一步把 IDH 突变型的高级别病例归入星形细胞瘤四级，不再使用胶质母细胞瘤这一名称。TCGA-GBM 按形态入组，队列里因此混有一部分按当代标准不该叫 GBM 的病例。这个比例不影响数据质量，但影响结论的表述：凡是用这批数据做分型，都要说明标签是按形态还是按分子。

3.4 与 QIN-GBM、BraTS、CPTAC-GBM 的边界

库内有多个与胶质母细胞瘤相关的词条，容易混。三者的差别不在病种，在「测的是什么」和「标识能不能连」。

QIN-GBM 是麻省总医院提交的治疗反应研究集合，五十四例新诊断患者，术后治疗前各做两次基线扫描，主打灌注与弥散参数的重复性。它是纯影像集合，标识体系不是 TCGA barcode，与 TCGA-GBM 的病例无法按主键连接，也不提供分子数据。

BraTS 是分割挑战赛系列，提供多参数 MRI 与体素级肿瘤亚区标注。它与 TCGA-GBM 有血缘：早期 BraTS 的部分影像取自 TCGA，TCIA 上也有专门的派生集合记录这批转换后的数据。但两者的用途完全不同，BraTS 给的是标注与评测协议，TCGA-GBM 给的是分子与临床。

CPTAC-GBM 是蛋白组学主导的队列，九十九例，主打深度蛋白组与磷酸化蛋白组。它有自己的样本来源与标识体系，与本项目不能按主键直接连接，只能在同一病种的层面参照。

词条	对象	规模	能给什么	与本篇的关系
QIN-GBM	灌注 MRI 重复性	五十四例	双基线参数稳定性	无主键可连，纯影像
BraTS 系	分割挑战	千例级	体素级亚区标注	部分影像同源，用途不同
CPTAC-GBM	蛋白组	九十九例	深度蛋白与磷酸化	病种相同，队列独立
本篇	多组学项目	六百一十七例	突变、拷贝数、甲基化、表达、蛋白、影像	参照层

一句话区分：要做分割，去 BraTS；要做灌注参数重复性，去 QIN-GBM；要做蛋白层深度验证，去 CPTAC-GBM；要做通路机制与多模态关联，回本篇。

3.5 时间线与版本

这个项目的时间线有四段，容易被压成一段。采集与测量在 2008 年前后完成，2013 年做了一次五百余例的重分析，2016 年被并入弥漫性胶质瘤的合并分析，此后 GDC 持续做 harmonized 重处理。

时间	事件	对使用者的意义
2005	项目立项，成为 TCGA 首个癌种	方法学模板由此确立
2008	Nature 首篇，二百零六例多平台整合	三条核心通路成为标准结论
2013	Cell 重分析，五百余例	突变谱与亚型框架更新
2014	TCIA 影像集合首版	影像可公开获取
2016	并入 GBMLGG 合并分析	分型从形态转向分子
2023	TCIA 第五版更新	修复部分 DICOM 标签
2026	GDC 持续重处理	需记录下载时的数据版本

3.6 许可与使用边界

三层许可并存。GDC 开放层遵循 TCGA 数据使用协议，要求致谢研究网络、不得尝试重新识别个体；受控层走 dbGaP 的数据使用认证；TCIA 影像按该集合页标注的访问政策与引用要求使用，引用必须含集合 DOI。

数据层	许可	关键义务	常见误用
GDC 开放层	TCGA 数据使用协议	致谢研究网络，不重新识别	当作无限制公有领域
GDC 受控层	dbGaP 数据使用认证	限定研究用途，按期报告	转发给未授权合作者
TCIA 影像	集合页标注的访问政策	引用含 DOI，致谢 TCGA	只引论文不引数据 DOI
衍生结果	依原许可	标明来源与版本	宣称对原始数据拥有新版权

3.7 标识体系与命名习惯

文献里对这个项目有多种写法，检索时会漏。GDC 用 TCGA-GBM，TCIA 用同名集合，论文里常写 GBM 或 TCGA glioblastoma，旧数据包用 GBM 作为队列缩写。做系统集成时，建议以 project_id 为主键，其余写法建别名表。

写法	出现场景	是否等价
TCGA-GBM	GDC、TCIA、API	是，标准写法
GBM	论文、旧数据包	是，需上下文确认
TCGA glioblastoma	综述、新闻	是，口语化
Glioblastoma Multiforme	项目全称	是，正式名
GBMLGG	合并分析	否，含低级别胶质瘤
HGG	旧文献	否，含三级胶质瘤

§4 核心层 B：七层组学与影像子集

4.1 七层组学的覆盖形状

把覆盖病例按层排开，会看到一条很陡的斜线。拷贝数与突变在六百例上下，表达与甲基化在四百到五百例之间，蛋白掉到二百三十七例，补测的染色质可及性只有九例。

数据层	覆盖病例	相对厚度	典型用途
拷贝数与杂合性缺失	599	最厚	受体酪氨酸激酶扩增、染色体臂级事件
体细胞突变	601	最厚	驱动基因、突变签名、超突变表型
表达定量	572	厚	分型、通路活性、预后模型
甲基化	423	中厚	G-CIMP 表观亚型、MGMT 启动子状态
结构变异	375	中	融合与重排
蛋白	237	薄	通路蛋白验证、药物靶点
染色质可及性	9	极薄	机制探索，无统计效力

这张表的读法是「取交集」。若任务需要同时用到突变、表达与甲基化，可用样本会降到四百例以下；再加上蛋白，只剩两百例出头。多组学融合的样本量由最薄的一层决定，这一条在本项目上体现得尤其明显。

另有一处历史层叠需要处理：表达有两代平台，甲基化也有两代芯片。早期用 27K，后期用 450K，两者探针集不同，合并时只能取交集探针，或者只用其中一代。这个选择会直接改变可分型的样本量。

4.2 影像子集：二百六十二例的技术规格

TCIA 的集合页给出一组可直接引用的数字：二百六十二例受试者、五百七十五次检查、五千四百一十二个序列、四十八万余张图像，体量不足八十 GB，模态标注为 MR、CT 与 DX。检查次数多于受试者，说明部分患者有多次扫描；图像张数远大于序列数，是因为一个序列包含几十到几百层。

指标	数值	口径
受试者	262	TCIA 集合页
检查	575	Study 级
序列	5,412	Series 级
图像	481,158	实例级
体量	73.51 GB	DICOM 原始
模态	MR、CT、DX	磁共振、CT 与平片
版本	第五版，2023-08-07	集合页标注 Complete
DOI	10.7937/K9/TCIA.2016.RNYFUYE9	引用必需

三点必须说明。第一，这些影像是常规诊疗的一部分，不是按研究方案采集的，扫描仪厂商、场强、层厚、序列组合都由各站点决定，集合页对此有明确表述。第二，每位患者的基线影像是术前检查，这一点在集合页的标识说明里写明，因此影像与手术标本在时间上是对应的。第三，DICOM 头里的日期被整体平移了三到十年，同一站点内的相对间隔保留，跨站点的绝对日期不可比。

影像覆盖率约为队列的四成，这个比例在 TCGA 各癌种里属于中上。但「有影像」不等于「影像可用」：一部分序列是定位像或平片，真正可用于肿瘤分析的是增强 T1 与 FLAIR 一类的序列。做队列规划时，要按序列类型而不是按患者数估算可用样本。

影像类型	典型用途	使用注意
增强 T1	强化灶范围、切除程度评估	层厚差异大，需重采样
T2 与 FLAIR	水肿范围、非强化灶	序列是否压脂不一致
CT	钙化、出血、术后改变	多为平扫，软组织对比有限
DX 平片	术后或定位参考	对肿瘤分析价值有限

4.3 案例：一位患者从术前扫描到切片扫描的四段轨迹

把一位患者当作具体对象看，比抽象讨论「多模态能不能连」更有用。这位患者在入组站点完成术前 MRI，图像以 DICOM 存入 TCIA；手术取出的标本进入生物样本库，分装后跑拷贝数阵列、外显子测序、RNA-seq 与甲基化；病理科留一张诊断切片，扫描后以 SVS 形式存在 GDC；临床团队按随访表记录生命状态与天数。四段轨迹共用同一个十二位 barcode。

这条轨迹有三个可验证的接点。第一，影像的 PatientID 与 GDC 的 case_submitter_id 完全相等，直接字符串连接即可。第二，影像日期被平移，而 GDC 的天数相对病理诊断日，两边相减得不到「术前多少天」这个变量，只能在同侧内部使用。第三，切片属于样本级，一个患者可能有多张，聚合到患者级前要先定「取第一张」还是「取面积最大的一张」。

轨迹段	存放位置	标识粒度	可连接性
术前影像	TCIA	患者级	与 GDC 患者级直连
手术标本	GDC Biospecimen	样本级	患者级下钻
分子测量	GDC 各数据类别	样本或等分样	患者级聚合
病理切片	GDC Slide Image	样本级	与分子同源
随访结局	GDC Clinical	患者级	与影像同源

对这个案例最常见的误用，是假设影像里的强化灶与某张切片上的肿瘤是同一块组织。实际上切片来自取样部位，影像覆盖全脑，两者只能在患者级对应，不能逐点对应。做放射基因组学时，这种粒度错配是最常见的错误来源。

4.4 病理切片：一个容易被忽略的形态层

GDC 侧有两类切片扫描：诊断切片覆盖三百八十九例，组织切片覆盖六百零六例，文件合计两千零五十三份。这两类不是一回事：诊断切片是病理科用于出报告的 H&E，组织切片往往来自研究取样的蜡块，可能含不同染色的连续切片。

维度	诊断切片	组织切片
覆盖病例	389	606
来源	病理科存档	研究取样蜡块
典型用途	形态学、弱监督分型	与分子同源的区域定位
粒度	样本级	样本级

这个层的价值在于「与分子同源」。切片来自被测量过的那块组织，病人级标签可以直接挂上去，不需要额外的配对工作。代价是标签仍停留在患者级，切片级的分级、坏死比例、微血管增生这些形态学指标需要自己标。

4.5 临床随访的可用性

随访表只有八个字段，主体是随访天数与疾病状态。这个结构足以算总生存，但不足以算无进展生存，因为进展日期没有系统记录。

终点	需要的字段	是否可直接计算	备注
总生存	vital_status、days_to_death、days_to_last_follow_up	是	缺失最少，最常用
疾病特异生存	死因相关字段	部分	死因归类需人工核对
无进展生存	进展日期	否	只有疾病状态，无日期
无病间期	复发日期	否	同上
治疗反应	统一疗效判定	否	无统一判定标准

脑肿瘤的生存曲线下降很快，事件数在这类队列里通常不是瓶颈，这也是它常被用作生存模型基准的原因之一。但要注意删失的形态：失访比例、随访长度在各个入组站点之间不一致，做多因素模型时应当把站点作为分层变量。

4.6 标注与派生资源

原始项目不提供病灶勾画、分割掩膜或影像组学特征。这些东西以「分析结果」的形式挂在 TCIA 的相关资源里，或由第三方论文发布。使用前要区分官方集合与社区派生，两者的许可与质量责任不同。

资源	类型	与原始集合的关系	许可提示
TCGA-GBM-Radiogenomics	分析结果	影像特征与分子关联	随资源页声明
TCGA-GBM-QI-Radiogenomics	分析结果	影像组学特征表	随资源页声明
BraTS-TCGA-GBM	派生集合	转换为挑战赛格式的影像	随资源页声明
GBM-MR-NER-Outcomes	分析结果	命名实体识别与结局	随资源页声明
Pan-Cancer-Nuclei-Seg	分析结果	跨癌种细胞核分割	随资源页声明

派生资源省掉的是重复标注，引入的风险是切分不一致。把派生特征与原始 DICOM 拼接前，必须核对患者清单与序列编号，否则会把训练集的信息泄漏到测试集。这一条在影像任务上比在组学任务上更容易出错，因为序列标识没有 barcode 那样的自解释结构。

4.7 可复现性与版本

可复现性取决于三件事是否被记录：下载时对应的 GDC 数据版本、使用的参考基因组与管线、影像来自 TCIA 的哪一版。数据生成在 2013 年前后冻结，但 harmonized 重处理仍在继续，同一份文件在不同年份可能有不同的 UUID。影像侧同样如此，第五版修的是 DICOM 标签，序列数与患者数没变，但文件内容变了。

复现要素	应记录的内容	缺失后果
数据版本	GDC 数据发布号与查询日期	文件 UUID 漂移，无法复算
参考基因组	GRCh38 或 GRCh37	坐标不一致，变异无法对齐
管线	比对与变异调用器的版本	表达与突变调用不可比
影像版本	TCIA 集合版本与 DOI	文件内容变化，切分不可复现
临床表版本	下载日期与表名	随访更新导致终点变化

§5 核心层 C：怎么拿到、怎么接上

5.1 三条通道与各自的门槛

取数有三条通道：GDC 网页、GDC 接口、TCIA 下载器。网页适合小批量挑选，接口适合可重复的脚本，TCIA 下载器适合整包拉取。三条通道的认证要求不同，规划时要分开算。

通道	适用场景	认证	批量能力
GDC 门户网页	挑选少量文件、看元数据	开放层免注册	弱
GDC 接口	可重复查询、生成清单	开放层免注册	强
gdc-client	按清单批量下载	受控层需 token	强，支持断点
TCIA 网页	浏览集合与引用信息	无	弱
TCIA Data Retriever	整包或按序列下载	无	强
cBioPortal	直接取整理好的矩阵	无	中，口径固定

5.2 用 GDC 接口拿项目概览

项目端点返回病例数、文件数、数据类别与实验策略的汇总。这一段查询是所有后续规划的依据，建议在方法学里写明查询日期。

curl -s "https://api.gdc.cancer.gov/projects/TCGA-GBM?expand=summary,summary.experimental_strategies,summary.data_categories" \
  | python3 -c "import sys,json; d=json.load(sys.stdin)['data']['summary']; print(d['case_count'], d['file_count'], round(d['file_size']/1e12,1))"

返回三个数字：病例数、文件数、总字节数换算成 TB。注意总量包含受控层，不等于开放层可下载的体量；开放层文件约占全部文件的一半不到，主要是因为受控的读段与胚系变异占了大头。

端点	返回内容	典型用途
/projects/TCGA-GBM	项目元数据与汇总	立项、写方法学
/projects/TCGA-GBM?expand=summary	类别与策略汇总	规划存储与算力
/cases	病例级字段	建临床表
/samples	样本级字段	区分原发、复发与正常
/files	文件级字段	生成下载清单
/files/	单文件元数据	校验与排错

5.3 按数据类别筛文件

文件端点的过滤器是嵌套 JSON，结构固定：最外层是 and，每个条件是一个 in。把项目、数据类别、访问层级三个条件叠起来，就能得到一份干净清单。

import requests

filters = {
    "op": "and",
    "content": [
        {"op": "in", "content": {"field": "cases.project.project_id", "value": ["TCGA-GBM"]}},
        {"op": "in", "content": {"field": "data_category", "value": ["DNA Methylation"]}},
        {"op": "in", "content": {"field": "access", "value": ["open"]}},
    ],
}
payload = {
    "filters": filters,
    "fields": "file_id,file_name,file_size,md5sum,cases.samples.sample_type",
    "format": "JSON",
    "size": 5000,
}
r = requests.post("https://api.gdc.cancer.gov/files", json=payload, timeout=120)
hits = r.json()["data"]["hits"]
print(len(hits), round(sum(h["file_size"] for h in hits) / 1e9, 1), "GB")

这段代码返回文件级记录，不是甲基化矩阵。要做分型，还得把每个样本的 beta 值读进来按探针合并，或者直接取 GDC 打包的矩阵。前者灵活，后者省事，选择取决于是否需要自定义探针过滤。

过滤字段	常用取值	说明
cases.project.project_id	TCGA-GBM	项目限定，必填
data_category	DNA Methylation	粗分类
data_type	Methylation Beta Value	细分类
experimental_strategy	Methylation Array	方法限定
access	open / controlled	访问层级
cases.samples.sample_type	Primary Tumor	样本类型
analysis.workflow_type	具体管线名	口径固定用

5.4 从 TCIA 取影像

TCIA 是另一套接口。集合名固定为 TCGA-GBM，先用患者端点拿清单，再用序列端点拿每位患者的序列，最后用下载器按清单取 DICOM。整个过程不需要账号，但要接受数据使用条款并按要求引用 DOI。

import requests

base = "https://services.cancerimagingarchive.net/nbia-api/services/v1"
patients = requests.get(f"{base}/getPatient", params={"Collection": "TCGA-GBM", "format": "json"}, timeout=180).json()
print("patients", len(patients))
first = patients[0]["PatientId"]
series = requests.get(f"{base}/getSeries", params={"Collection": "TCGA-GBM", "PatientId": first, "format": "json"}, timeout=180).json()
print(first, len(series), series[0]["Modality"])

如果只需要元数据做统计，这两步就够了；要图像则用官方下载器读取集合清单，或把序列实例标识交给下载器逐条取。五千余个序列意味着大量小文件，建议先按患者打包，再解压到按序列分目录的结构。

端点	参数	返回
getCollectionValues	无	全部集合名
getPatient	Collection	患者清单
getStudy	Collection、PatientId	检查清单
getSeries	Collection、PatientId	序列清单
getImage	SeriesInstanceUID	图像清单

5.5 用 barcode 做交集

影像与组学的连接只有一步，但写法决定后续正确性。核心是把两边都截断到十二位，再去重、连接。不要用样本级标识去连影像，也不要假设两边大小写一致。

import pandas as pd

clin = pd.read_csv("TCGA-GBM.clinical.tsv", sep="\t", low_memory=False)
tcia = pd.read_csv("tcia_patients.tsv", sep="\t")

clin["pid"] = clin["case_submitter_id"].astype(str).str.strip().str[:12].str.upper()
tcia["pid"] = tcia["PatientID"].astype(str).str.strip().str[:12].str.upper()

tcia_ids = set(tcia["pid"])
clin["has_image"] = clin["pid"].isin(tcia_ids)
merged = clin.merge(tcia[["pid"]].drop_duplicates(), on="pid", how="inner")

print("clinical", clin["pid"].nunique(), "imaging", len(tcia_ids), "overlap", merged["pid"].nunique())
print("primary", (clin["sample_type"] == "Primary Tumor").sum())

连接之后先看三件事：交集是否与官方集合页的受试者数接近、有没有重复的 pid、带影像与不带影像的两组在诊断与生存上是否可比。第三件事最容易被跳过，却是审稿人最先问的问题。§4.3 的案例给出的四段轨迹，正是这一步在单例上的展开。

检查项	期望	异常时的处理
交集数量	接近二百六十二	检查截断位数与大小写
pid 唯一性	无重复	去重后再连接
样本类型	以原发肿瘤为主	排除复发与正常组织
组间可比性	诊断与生存分布接近	做倾向评分或分层
影像日期	早于手术日期	核对日期平移规则

5.6 常见取数故障与口径问题

取数阶段的问题大多不是网络，而是口径。最常见的是把受控层文件写进开放清单，其次是混用新旧版本的文件标识，第三是拿样本级标识去连患者级影像。这些问题在数据量小时不易发现，等到跑完模型才暴露。

现象	原因	处理
清单里有文件下载 403	含受控层文件	按 access 字段过滤或申请 dbGaP
同一患者多份表达文件	不同等分样或不同平台	固定平台与管线再合并
表达矩阵基因数不一致	新旧注释混用	统一到同一注释版本
影像找不到对应患者	barcode 截断错误	统一到十二位并大写
切片与分子对不上	样本级与患者级混用	先患者级连接再下钻
生存天数出现负值	事件日期早于诊断日	按数据字典核查
甲基化样本数对不上	27K 与 450K 混算	按平台分别统计

5.7 存储与算力预算

按开放层全量、影像全量、切片全量三块估算。切片是隐形的大头，单张 SVS 从几十兆到数百兆，六百余例组织切片足以把磁盘吃满；影像虽然只有七十几 GB，但五千余个序列解压后的小文件数量对文件系统是另一种压力。

数据块	体量级	是否需要 GPU	备注
开放层组学矩阵	数十 GB	否	表达、甲基化、拷贝数为主
影像 DICOM	七十余 GB	否	解压后小文件众多
诊断与组织切片	数百 GB 至 TB 级	推理时需要	建议流式读取
受控层读段	TB 级	否	需 dbGaP 与机构存储
中间特征	数十至数百 GB	视方法	建议落盘复用

§6 与库内词条的关系

6.1 关系图谱

在这个库里，TCGA-GBM 处在「计划—项目—派生」三层结构的中间位置。向上是 TCGA 泛癌总库，向下是各类以它为基础再加工的派生集合，横向是脑肿瘤方向的其他队列与挑战集。

库内对象	关系	分工
TCGA 泛癌总库	上级计划	33 癌种的跨癌种比较与通用取数
TCGA-GBM	本篇	单项目的组学、影像、切片与临床细节
TCGA-LGG	姊妹项目	低级别胶质瘤，病例与本篇互斥
GBMLGG 合并分析	分析层合并	并列两项目后的合并队列，非独立项目
QIN-GBM	相邻队列	灌注 MRI 重复性，纯影像
BraTS 系	下游派生	分割挑战，部分影像与本篇同源
CPTAC-GBM	同病种对照	深度蛋白组，队列独立
UCSF-PDGM	影像对照	带分子标签的术前 MRI，规模相当

关系边	方向	判断依据
计划到项目	包含	项目编号以 TCGA- 开头
项目到合并分析	被合并	合并队列标注来源为 GBM 与 LGG
项目到派生	被加工	派生集合标注原始集合名
项目到同类	并列	无包含关系，仅病种相同

6.2 与 QIN-GBM 的边界：同名不同物

库内刚发布的 QIN-GBM 与本篇都叫胶质母细胞瘤，容易混。两者的差别是全方位的：QIN-GBM 是五十四例新诊断患者的灌注 MRI 重复性研究，每位患者术前做两次基线扫描，用来回答「同一个参数隔几天再测，值变不变」；本篇是六百一十七例的多组学项目，影像只是其中一层。

不可连接这一点要写清：QIN-GBM 的标识不是 TCGA barcode，两边的患者无法按主键对上，也没有共同的分子数据。把它们合并会得到一个人为的「更大队列」，实际上只是两批不相干的患者。

维度	本篇	QIN-GBM
对象	多组学项目	影像重复性集合
规模	六百一十七例，影像二百六十二例	五十四例
序列	常规 MRI、CT、平片	七类灌注与结构序列
分子数据	有	无
主键	TCGA barcode	独立的影像标识
典型任务	多模态关联、分型	参数可重复性

6.3 与 BraTS 的边界：同源不同用

BraTS 是分割挑战赛系列，给的是多参数 MRI 与体素级肿瘤亚区标注，配套固定的训练测试划分与评测指标。它与本篇有真实的血缘：早期版本的影像部分取自 TCGA，TCIA 上也有专门的派生集合记录这批转换后的文件。

但两者的用途正好错开。BraTS 的强项是标注与评测协议，弱项是分子与临床；本篇正相反。做分割不要在本篇上从零标，直接用 BraTS；要做影像与分子的关联，BraTS 没有标签，必须回本篇。若两者都用，先核对患者清单的交集，避免同一患者在训练集与测试集之间泄漏。

维度	本篇	BraTS 系
影像来源	常规诊疗，多站点	部分源自本篇，另有新增
标注	无	体素级亚区标注
评测协议	无	固定划分与指标
分子标签	有	无
适用任务	关联与分型	分割与泛化评测

6.4 检索路径

从需求出发找入口，比从数据集名出发更省时间。下面这张表把常见需求映射到先看哪个词条，再看哪个补充资源。

你的问题	先看	再看
胶质母细胞瘤的多组学全貌	本篇 §2、§3	TCGA 泛癌总库的癌种章节
低级别胶质瘤的数据	TCGA-LGG	本篇 §3.3 的合并口径
脑肿瘤分割的训练数据	BraTS 系	本篇 §4.6 的派生集合
灌注参数的重复性	QIN-GBM	本篇 §6.2 的边界说明
蛋白层的深度验证	CPTAC-GBM	本篇 §4.1 的覆盖形状
带分子标签的术前 MRI	本篇 §4.2	UCSF-PDGM 作外部验证
生存模型的公共基准	本篇 §4.5	泛癌总库的统一终点资源

6.5 组合使用的三种典型配方

配方一，影像预训练加分子微调：先用 BraTS 训练一个脑肿瘤编码器，再用本篇二百六十二例做小样本微调，预测甲基化亚型或生存。配方二，多组学发现加影像验证：先在本篇找表达或甲基化签名，再看签名与影像特征的关联，最后用 UCSF-PDGM 一类独立队列验证。配方三，通路机制加蛋白确认：以本篇的通路事件为骨架，用 CPTAC-GBM 的蛋白与磷酸化数据验证哪一层真正传导到了蛋白。

配方	主数据	辅助数据	注意
影像预训练加微调	本篇影像子集	BraTS	站点差异会导致负迁移
组学发现加影像验证	本篇组学	UCSF-PDGM	验证队列的扫描协议不同
通路机制加蛋白确认	本篇通路事件	CPTAC-GBM	两边样本不完全重叠

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

评价这个项目时，最容易发生的误判是把「计划的首创性」当成「项目的规格」。它是 TCGA 的第一个癌种，方法学意义上的地位无可替代；但落到可用数据上，蛋白层只有二百三十七例，复发样本只有十三例，影像没有标注。这些数字与「首个多组学项目」的光环不是一回事。

第二个前置校正是把「七层组学」当成「七层都厚」。层数多解决的是「能不能问跨层的问题」，不解决「每个问题有多少样本」。第三，把「按组织学入组」当成「按分子分型整理好」，2016 年之后的分类标准需要自己补。带着这三个校正再看评分，分数才有意义。

7.1 五维评分与 DAIMS 对照

评分采用五分制，每一维给一个整数并写明理由。分数不是排名，是让人快速判断哪一维需要额外投入。DAIMS 的三个描述层在这里对应为：描述层看文档与元数据，结构层看标识体系与层级，访问层看许可与取数通道。

维度	分数	理由
规模	3	病例数够做单癌种分析，蛋白与复发样本偏少
结构	5	barcode 体系严谨，跨模态一次字符串连接即可
配对	4	影像、切片、分子、随访同源，但影像仅覆盖四成
可复现	4	冻结加版本化，重处理导致标识漂移
合规	4	三层许可清楚，受控层申请周期长
文档	5	两篇主论文加数据字典，闭环完整

DAIMS 层	覆盖内容	缺口
描述层	项目页、数据字典、主论文、集合页	分子分型标签无官方字段
结构层	患者、样本、等分样、文件四级	影像树与组学树仅在患者级相接
访问层	开放层与受控层双通道	受控层审批周期以月计

7.2 分数怎么读

规模给 3 分，不是因为它小，而是与任务不匹配：做通路机制绰绰有余，做影像深度学习不够。结构给 5 分，是十二位 barcode 让跨模态连接变成一次字符串比较，省掉大量数据工程。配对给 4 分，扣在影像只覆盖四成，且没有统一协议。

可复现给 4 分，扣在 harmonized 重处理上：数据生成冻结了，但文件标识仍在变。合规给 4 分，扣在受控层的审批周期，开放层本身很顺。文档给 5 分，因为两篇主论文、数据字典与集合页形成了完整闭环，任何字段都能查到定义。

分数段	含义	建议动作
5	业内标杆，可直接依赖	按官方文档执行即可
4	有小坑，不影响结论	记录版本，做一次校验
3	需额外投入才能用	预留清洗与对齐时间
2	只能作为补充	不作为主数据
1	不建议使用	换数据集

7.3 已知的、可枚举的偏差

偏差一，选择偏差。入组要求标本量足够完成多平台测量，且患者需能耐受手术，因此体能状态差、肿瘤位置不适合切除的病例被系统性排除，队列的预后好于真实人群。

偏差二，站点偏差。影像来自多家影像来源站点，组学来自数十个组织来源站点，扫描仪与建库批次叠加。§4.3 的案例里那条「一位患者四段轨迹」，在跨站点时并不成立：不同站点的序列参数差异足以让模型学到设备而不是病变。

偏差三，时间偏差。采集集中在 2005 到 2013 年，治疗以放疗加替莫唑胺为标准，与今天的电场治疗、免疫治疗背景不同，用它训练的预后模型会高估风险。偏差四，标签偏差。按形态入组，含一部分按当代标准应归为 IDH 突变型星形细胞瘤的病例。

偏差	来源	影响方向	缓解方式
选择偏差	手术与标本门槛	预后偏好	按体能状态与切除程度分层
站点偏差	多中心采集	模型学到站点特征	留一站点验证
批次偏差	不同年份、不同平台	表达与甲基化漂移	分位数归一或批次校正
时间偏差	2005–2013 采集	治疗背景不同	不与当代队列直接比
标签偏差	组织学入组	分型结论偏移	自行推导 IDH 与 1p/19q

7.4 外部验证矩阵

一个数据集的可信度，很大程度上取决于它被外部重复验证过多少次。下面把常见结论与已有证据类型列出来，方便判断哪些可以直接引用。

结论	内部证据	外部验证	可信度
三条核心通路在多数样本中被改变	2008 年多平台整合	多个独立队列复现	高
四种表达亚型的存在	表达聚类	多篇独立分析与 meta 分析	高
MGMT 启动子甲基化与治疗结局相关	甲基化加临床	临床试验与多项回顾研究	高
甲基化分型可复现 IDH 与 1p/19q 分层	2016 年合并分析	独立队列与临床检测一致	高
影像特征可预测分子亚型	影像子集小样本	复现有限	中
影像组学可直接预测生存	单中心或少数站点	缺统一协议	低到中

7.5 它为何能持续：因为它成了脑肿瘤研究的坐标系

数据集的生命周期通常止于论文发表，这个项目不一样。数据在 2013 年前后冻结，引用量仍在增长，原因是它变成了一个参照系：新方法要在它上面证明自己不比旧方法差，新队列要拿它做外部验证，教科书要用它讲「癌症是多条通路被打断」。

稳定的代价是它无法回答新问题。单细胞、空间转录组、治疗前后配对、影像随访、复发机制，这些当代问题它都答不了。它的持续不是因为内容常新，而是因为它把「同一批肿瘤的多把尺子」这件事一次做完了，后来者要么重复这件事，要么在它的坐标系里定位自己。

§8 生态位与历史

8.1 历史沿革

这个项目的历史可以分成四段：立项与首篇、重分析与亚型、合并与分型转向、影像与派生的二次开发。每一段的重心不同，对今天使用者的意义也不同。

阶段	时间	关键动作	留下的资产
立项与首篇	2005–2008	多平台整合、通路分析	三条核心通路、方法学模板
重分析与亚型	2010–2013	五百余例重分析、表达亚型	突变谱、亚型框架
合并与分型转向	2016	与低级别胶质瘤合并	GBMLGG 队列、甲基化分型
影像与派生	2014–2023	影像集合发布与更新	二百六十二例术前影像
持续复用	2016–	作为基准被反复调用	参照系地位

8.2 首篇论文的三条结论

2008 年那篇论文的结论可以压成三条，每一条都改变了后来的研究方式。

第一条，三条核心通路。受体酪氨酸激酶信号、p53 通路、RB 通路，在这批肿瘤里几乎都被某种事件打断，且同一条通路内的事件互斥。这条结论把「找单个驱动基因」的范式改成了「看通路整体状态」。

第二条，新基因的发现。那篇论文报告了此前未被认识的 PIK3R1 频繁突变，此后它成为磷脂酰肌醇三激酶通路研究的标准引用之一。同一批数据也重新定位了 ERBB2、NF1、TP53 在这类肿瘤里的角色。

第三条，表观与治疗的连接。论文把甲基化、突变与临床治疗信息叠在一起，发现接受过治疗的肿瘤里，MGMT 启动子甲基化与错配修复缺陷导致的超突变表型相关。这一条把表观遗传、治疗史与突变负荷三者连成了一条线。

结论	证据类型	后续影响
三条核心通路被打断	拷贝数、突变、表达联合	通路级分析成为标准
PIK3R1 频繁突变	外显子测序	通路研究的标准引用
MGMT 甲基化与超突变相关	甲基化加治疗史	表观与治疗的连接范式

8.3 衍生资源的谱系

围绕这个项目长出了一整条衍生链：从原始文件，到表达与甲基化矩阵，到亚型标签，到影像组学特征与分割掩膜，再到预训练模型权重。每一层都加上自己的假设，越往下游，越要核对它与原始集合的对应关系。

层级	产物	依赖	风险
原始层	测序文件、DICOM、SVS	无	体量大，需自行处理
矩阵层	表达、甲基化、拷贝数矩阵	原始层	平台与归一不统一
标签层	亚型、IDH 状态、分级	矩阵层	推导规则各异
特征层	影像组学特征、细胞核特征	原始层	口径不统一
结论层	预后模型、关联分析	以上各层	外推性有限

8.4 同类项目对照

把本篇放进更大的脑肿瘤数据生态里，它的位置很清楚：不是最大的影像队列，不是最新的分型队列，也不是蛋白层最深的队列，但它是唯一把七层组学、病理切片、术前影像与生存放在同一主键上的公共资源。

项目	影像	分子	随访	定位
TCGA-GBM	二百六十二例	七层	生存为主	多模态参照系
TCGA-LGG	有配对影像	七层	生存为主	低级别对照
CPTAC-GBM	有配对子集	蛋白为主	有限	蛋白层验证
QIN-GBM	五十四例灌注	无	有限	参数重复性
BraTS 系	千例级带标注	无	无	分割评测
UCSF-PDGM	数百例	有	有	影像与分子配对

§9 使用指引

9.1 三种角色的路径

影像工程师的路径是「先影像、后标签」：从 TCIA 取 DICOM，按站点分层，先做分割或分类的预训练，再回 GDC 取甲基化亚型与生存做小样本微调。这条路线正是 §4.3 的案例所展开的四段轨迹，只是把单例放大成队列。

病理工程师的路径是「先切片、后生存」：从 GDC 取 SVS，做切片级自监督，再聚合到患者级做生存回归。生物信息学者的路径是「先矩阵、后关联」：直接取表达、甲基化、拷贝数矩阵，做分型与通路分析，需要影像时再按 barcode 连接。

角色	第一步	第二步	第三步
影像工程师	取 DICOM 与站点表	重采样与分层	小样本微调
病理工程师	取 SVS 与切片表	切片自监督	患者级聚合
生物信息学者	取表达与甲基化矩阵	分型与差异分析	按 barcode 关联影像
临床研究者	取临床表与随访	定义终点	多因素建模

角色	常见误区	纠正
影像工程师	把有影像的与没影像的混在一起训练	先按有无影像分层，再按站点分组
病理工程师	用切片级标签直接做患者级预测	先聚合到患者级
生物信息学者	把芯片与测序表达直接合并	固定一套平台
临床研究者	把随访多行当独立样本	每例只保留最后一行

9.2 一条最短的可用流程

从零到一张可解释的图，最短路径是：查项目概览、拉临床表、筛表达文件、按 barcode 与影像取交集、做一次分组比较。下面把前四步串起来，假设网络可达且本地已装 requests 与 pandas。

mkdir -p tcga-gbm/data && cd tcga-gbm/data
curl -s "https://api.gdc.cancer.gov/projects/TCGA-GBM?expand=summary" -o project.json
curl -s -X POST "https://api.gdc.cancer.gov/files" \
  -H "Content-Type: application/json" \
  -d '{"filters":{"op":"and","content":[{"op":"in","content":{"field":"cases.project.project_id","value":["TCGA-GBM"]}},{"op":"in","content":{"field":"data_category","value":["Transcriptome Profiling"]}},{"op":"in","content":{"field":"access","value":["open"]}}]},"fields":"file_id,file_name,file_size","format":"JSON","size":5000}' \
  -o transcriptome_files.json
python3 -c "import json; d=json.load(open('transcriptome_files.json')); print(len(d['data']['hits']))"

产出是清单，不是矩阵。下一步用 gdc-client 按清单下载，或直接取打包矩阵。无论哪条路，都建议先落一份患者清单与文件清单，再开始下载，这样中断可以续，换机器可以复现。

步骤	命令或端点	产出
项目概览	/projects/TCGA-GBM	规模与类别
文件清单	/files	待下载列表
批量下载	gdc-client download -m	本地文件
影像清单	TCIA getPatient	患者与序列
交集	pandas merge	分析队列
质控	缺失与重复检查	可用样本表

9.3 引用方式

引用要分三层：数据引用、论文引用、资源引用。只引论文不引数据 DOI，会让数据生产者的贡献被隐没；只引数据不引论文，会让使用者缺少生物学背景。影像侧要按集合页要求给出 DOI 与版本，组学侧要致谢研究网络的原句。

引用对象	应写的内容	常见错误
数据（组学）	项目编号、GDC、访问日期	只写 TCGA 不写项目
数据（影像）	集合名、版本、TCIA、DOI	漏版本号
首篇论文	Nature 2008，DOI	引成综述
重分析论文	Cell 2013，DOI	与首篇混引
合并分析	Cell 2016，DOI	当作原始数据引用
致谢	研究网络原句	改写致谢措辞

9.4 合规清单

使用前过一遍这张表，能避免大部分返工。尤其是受控层的转发限制与重新识别禁令，违反的后果不在技术上，在合规上。

检查项	要求	状态
影像引用	含 DOI 与版本号	待核
组学致谢	含研究网络原句	待核
受控数据	有 dbGaP 批准号	待核
合作者	均在授权名单内	待核
重新识别	未尝试	待核
二次分发	未分发原始受控文件	待核
衍生结果	标明来源与版本	待核

§10 AI 使用声明

项目	声明
数据来源	GDC 项目端点、TCIA 集合页、两篇主论文摘要，查询日期 2026-10-29
生成方式	人工撰写，AI 辅助整理结构与措辞
数字口径	只采用官方页面与论文摘要，未做二次统计
未核实项	各数据层的精确交叉覆盖、影像按序列类型的病例数
分布统计	不提供，避免把探索性统计写成规格
医学建议	无，本文不构成诊疗建议
更新机制	官方版本变化时修订，修订日期见页脚
责任边界	使用后果由使用者承担，引用以官方为准

常见误读（避坑清单）

常见说法	实际	证据
「TCGA-GBM 没有影像」	TCIA 有二百六十二例术前影像	TCIA 集合页受试者数
「GBM 与 LGG 有病例重叠」	两个项目按 barcode 交集为零	GDC 病例清单取交集
「GBMLGG 是第三个项目」	是 2016 年的分析队列	Cell 2016 摘要与 cBioPortal 条目
「六百多例都能做多组学」	蛋白层仅二百三十七例	GDC 策略汇总
「自带肿瘤分割掩膜」	无官方勾画	集合页与 GDC 文件类型
「临床表里有 IDH 状态」	无此字段，需自推	GDC 诊断字段构成
「复发样本够做纵向分析」	复发肿瘤样本仅十三例	GDC 样本类型统计
「病理切片存放在 TCIA」	切片在 GDC，TCIA 只有放射影像	两个门户的分工
「barcode 可以任意截断」	患者级十二位，样本级十六位	官方 barcode 定义
「影像是按研究方案采集的」	常规诊疗图像，参数由站点自定	集合页说明

FAQ

Q1：TCGA-GBM 和 TCGA-LGG 是什么关系，会不会重复计数？
在 GDC 里这是两个互斥的项目，按患者 barcode 取交集为零，并集是一千一百三十三例。文献里的 GBMLGG 是 2016 年把两者合并后的分析队列，规模略小于两者之和，既不是 GBM 的规模，也不是 LGG 的规模。

Q2：它有影像吗？
有。TCIA 的 TCGA-GBM 集合收录二百六十二例术前影像，含 MR、CT 与平片，共五百七十五次检查、五千四百一十二个序列，体量不足八十 GB。影像不在 GDC，GDC 侧只存病理切片扫描。

Q3：为什么 GDC 写六百一十七例，论文写二百零六例？
2008 年论文报告的是完成多平台整合的 206 例，其中 91 例做了外显子测序；GDC 的项目计数包含所有入库病例，含诊断未报告与仅有部分测量的记录。写方法学要说清用的是哪个口径。

Q4：组学数据能不能直接下载？
突变调用、表达矩阵、甲基化 beta 值、拷贝数、RPPA、临床表与切片扫描属开放层，注册账号即可下载；原始读段与胚系变异属受控层，需经 dbGaP 申请。

Q5：能不能直接拿到 IDH 野生型与突变型标签？
不能。项目按组织学诊断入组，临床表没有 IDH 字段，需要自己从突变调用或甲基化谱推导，并把规则写进方法学。

Q6：为什么同一患者有多份表达文件？
可能来自不同等分样、不同平台或不同管线。取数时应固定平台与工作流，并按样本类型筛选原发肿瘤，避免把多份文件当成多个患者。

Q7：可以用它做外部验证吗？
可以，但要说明验证集性质。它是回顾性、多站点、常规检查的集合，适合验证方法稳健性，不适合宣称临床可用性；验证时应按站点分层并报告站点间差异。

Q8：切片数据有多大，需要什么配置？
单张 SVS 从几十兆到数百兆，六百余例组织切片可达数百 GB 至 TB 级。建议流式读取或按需取块，不要一次性解压到内存。

术语表

术语	解释
GBM	Glioblastoma Multiforme，胶质母细胞瘤
LGG	Lower Grade Glioma，低级别胶质瘤
GBMLGG	把 GBM 与 LGG 合并的分析队列
G-CIMP	胶质瘤 CpG 岛甲基化表型
IDH	异柠檬酸脱氢酶基因，分型的核心标志
1p/19q 共缺失	少突胶质细胞瘤的分子标志
MGMT	启动子甲基化影响烷化剂疗效的标志
GDC	Genomic Data Commons，NCI 的基因组数据门户
TCIA	The Cancer Imaging Archive，NCI 支持的影像归档
barcode	逐级编码样本来源的字符串标识
TSS	Tissue Source Site，组织来源站点代码
aliquot	从样本中分装出的一份可用于测量的等分样
WXS	全外显子测序
WGS	全基因组测序
RPPA	反相蛋白阵列，直接测量蛋白丰度
MAF	Mutation Annotation Format，突变注释格式
CNV	拷贝数变异
GISTIC	拷贝数显著区域分析工具
beta 值	甲基化探针的甲基化比例估计
SVS	Aperio 全切片图像格式
DICOM	医学影像通信标准与文件格式
DX	数字平片，本集合中的第三类模态
DSS	疾病特异生存
OS	总生存
DAIMS	数据集资产信息模型，统一描述描述层、结构层与访问层

附录 A：核心数字核对表

项	值	来源	来源层级
病例数	617	GDC 项目端点	官方接口
文件数	30,587	GDC 项目端点	官方接口
总体量	约 263 TB	GDC 项目端点	官方接口
开放层文件	13,117	GDC 文件端点	官方接口
数据类别	10	GDC 项目端点	官方接口
数据子类型	25	GDC 文件聚合	官方接口
实验策略	11	GDC 项目端点	官方接口
影像受试者	262	TCIA 集合页	官方页面
影像检查	575	TCIA 集合页	官方页面
影像序列	5,412	TCIA 集合页	官方页面
影像图像	481,158	TCIA 集合页	官方页面
影像体量	73.51 GB	TCIA 集合页	官方页面
影像模态	MR、CT、DX	TCIA 集合页	官方页面
首篇论文规模	206	Nature 2008 摘要	论文
合并队列	1,122	Cell 2016 摘要	论文

结构项	值	来源
顶层单位	case（患者）	GDC 数据字典
患者级标识长度	12 位	官方 barcode 定义
样本级标识长度	16 位	官方 barcode 定义
影像粒度	患者级	TCIA 说明
切片粒度	样本级	GDC 文件结构
跨模态连接方式	字符串相等	两个门户的说明

附录 B：数字的来源分层

层级	数字	说明
官方接口	病例数、文件数、类别与策略汇总、各层覆盖数	2026-10-29 查询 GDC 端点
官方页面	262、575、5,412、481,158	TCIA 集合页第五版
官方页面	2005 立项、2014 影像首版、2023 第五版	项目与集合说明
论文摘要	二百零六例与九十一例测序、三条核心通路	Nature 2008
论文摘要	五百余例、千余例合并	Cell 2013 与 Cell 2016
未核实	影像按序列类型的病例数、各层交叉覆盖	官方未给，未做二次统计

附录 C：完整参考文献

1. The Cancer Genome Atlas Research Network. Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature, 2008, 455:1061–1068. DOI: 10.1038/nature07385.
2. Brennan CW, Verhaak RGW, McKenna A, et al. The somatic genomic landscape of glioblastoma. Cell, 2013, 155:462–477. DOI: 10.1016/j.cell.2013.09.034.
3. Ceccarelli M, Barthel FP, Malta TM, et al. Molecular profiling reveals biologically discrete subsets and pathways of progression in diffuse glioma. Cell, 2016, 164:550–563. DOI: 10.1016/j.cell.2015.12.028.
4. Verhaak RGW, Hoadley KA, Purdom E, et al. Integrated genomic analysis identifies clinically relevant subtypes of glioblastoma. Cancer Cell, 2010, 17:98–110.
5. Scarpace L, Mikkelsen T, Cha S, et al. The Cancer Genome Atlas Glioblastoma Multiforme Collection (TCGA-GBM), Version 5. The Cancer Imaging Archive, 2016. DOI: 10.7937/K9/TCIA.2016.RNYFUYE9.
6. Liu J, Lichtenberg T, Hoadley KA, et al. An integrated TCGA pan-cancer clinical data resource to drive high-quality survival outcome analytics. Cell, 2018.
7. Genomic Data Commons. GDC Data Portal, TCGA-GBM project page. https://portal.gdc.cancer.gov/projects/TCGA-GBM.
8. cBioPortal for Cancer Genomics. Glioblastoma Multiforme (TCGA, Firehose Legacy). https://www.cbioportal.org/study/summary?id=gbm_tcga.

附录 D：任务代码

下面的脚本把「取病例、取样本类型、统计可分析队列」三步串起来，用于在开题时快速判断规模。

import requests

FIELDS = "submitter_id,primary_diagnosis,samples.sample_type,demographic.vital_status"
payload = {
    "filters": {"op": "in", "content": {"field": "project.project_id", "value": ["TCGA-GBM"]}},
    "fields": FIELDS,
    "format": "JSON",
    "size": 2000,
}
cases = requests.post("https://api.gdc.cancer.gov/cases", json=payload, timeout=120).json()["data"]["hits"]
primary = sum(1 for c in cases if any(s["sample_type"] == "Primary Tumor" for s in c.get("samples", [])))
recurrent = sum(1 for c in cases if any(s["sample_type"] == "Recurrent Tumor" for s in c.get("samples", [])))
print("cases", len(cases), "primary", primary, "recurrent", recurrent)

输出三个数字，分别回答「项目有多大」「多少例有原发肿瘤样本」「多少例有复发样本」。第三个数字决定了能不能做复发相关分析，通常在最开始就该确认。

输出	含义	用途
cases	项目病例数	队列规模
primary	有原发肿瘤样本的例数	主分析队列
recurrent	有复发样本的例数	决定纵向分析是否可行

附录 E：如果只记五件事

序号	要点
一	它是 TCGA 的首个癌种项目，六百一十七例，价值在通路机制与参照
二	有影像，二百六十二例术前 MR、CT 与平片，存 TCIA 而非 GDC
三	与 TCGA-LGG 病例互斥，GBMLGG 是 2016 年的分析队列，不是第三个项目
四	按组织学入组，IDH 与 1p/19q 需自行推导，复发样本仅十三例
五	开放层免注册，读段与胚系变异走 dbGaP 受控

编辑说明

本篇核验日期为 2026-10-29，规模数字取自 GDC 项目端点与 TCIA 集合页，生物学结论取自 2008 年 Nature、2013 年 Cell 与 2016 年 Cell 三篇摘要。与任务简报的一处出入已按官方页面更正：TCGA-GBM 在 TCIA 有独立的影像集合（二百六十二例），并非无影像。GBM 与 LGG 的「重叠」也按 GDC 病例清单核实为项目层互斥、分析层合并。未做全量下载与逐条统计，分布类数字一律不写；官方页面之间若存在口径差异，正文并列呈现而不做裁定。影像按序列类型的病例数、各数据层的精确交叉覆盖未在官方页面给出，标注为未核实。修订时优先更新附录 A 与附录 B，再同步正文概览表。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• tcga-lgg — 共享标签：基因组学与多组学 / 肿瘤学 / 脑肿瘤 / 多模态
• upenn-gbm — 共享标签：基因组学与多组学 / 肿瘤学 / 脑肿瘤 / 病理图像
• soft-tissue-sarcoma — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 多模态
• hnsc — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 多模态
• hancock-hnscc — 共享标签：肿瘤学 / 病理图像 / 多模态
• icgc — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像
• human-cell-atlas — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像
• ivy-gap — 共享标签：肿瘤学 / 脑肿瘤 / 病理图像
• hubmap — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像
• pathseg — 共享标签：肿瘤学 / 病理图像 / 多模态

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。