信息速览
TCGA-LGG 是 TCGA 计划里专门收弥漫性低级别胶质瘤的一个项目。它 2006 年前后开始入组，2015 年在《新英格兰医学杂志》交出主论文，用二百九十三例标本的六类测量回答了一个当时争论很久的问题：同样是 II 级或 III 级的胶质瘤，为什么有的病人十年不复发，有的两年就进展成胶质母细胞瘤。答案不在形态上，在 IDH 基因与 1p/19q 染色体臂上。
这个项目的数据形态由病种决定。肿瘤位置深、几乎不做根治性切除，标本来自减压或部分切除，正常对照只有血液；病程以年计，随访比胶质母细胞瘤长得多；组织学诊断在 2016 年被分子分型改写，队列里那批按形态贴的标签需要重新推导，而三个形态学亚型里有一个后来被正式取消。
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 2015 年 NEJM 主论文与 2016 年 Cell 的合并分析，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 Brain Lower Grade Glioma |
| 项目编号 | TCGA-LGG（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 | 2006 年前后入组，2015 年 NEJM 主论文 |
| 病例规模 | 五百一十六例（GDC 项目页，2026-10 查询） |
| 文件规模 | 三万三千七百二十六份，合计约二百九十六 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 | 10 种：WXS、WGS、RNA-seq、miRNA-seq、甲基化阵列、SNP 阵列、RPPA、诊断切片、组织切片、ATAC-seq |
| 样本构成 | 原发肿瘤五百一十六例、血液正常五百一十四例、复发肿瘤十六例、口腔黏膜正常两例（按病例计，同一病例可有多类样本） |
| 组学层 | 突变、拷贝数、甲基化、mRNA、miRNA、蛋白六层，另加结构变异与染色质可及性补测 |
| 三个组织学亚型 | 星形细胞瘤、少突胶质细胞瘤、少突星形细胞瘤（混合性胶质瘤） |
| 病例编码 | 世界卫生组织 II 级与 III 级，不含 I 级与 IV 级 |
| 影像集合 | TCIA TCGA-LGG，一百九十九例、二百一十九次检查、二千二百七十五个序列 |
| 影像模态 | MR、CT，不含 PET |
| 影像体量 | 42.92 GB（DICOM 原始） |
| 病理切片 | 诊断切片四百九十一例、组织切片五百一十五例，存 GDC |
| 蛋白层 | RPPA 四百三十例 |
| 主键 | 患者 barcode（TCGA-XX-XXXX），影像与组学共用 |
| 访问层级 | 开放层一万三千零四十七份；受控层二万零六百七十九份，经 dbGaP phs000178 |
| 合并队列 | GBMLGG 一千一百二十二例（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「同名不同病」的问题
2000 年代中期的神经病理学有一个公开的困境：两位病理学家看同一张切片，对「星形细胞瘤还是少突星形细胞瘤」的判断经常不一致；更麻烦的是，同一个诊断名称下的病人，生存期可以从两年跨到十五年。形态学能描述细胞长什么样，却说不清肿瘤会怎么走。
TCGA-LGG 的设计就是冲这个困境去的：对同一批标本同时测突变、拷贝数、甲基化、mRNA、miRNA 与蛋白，然后用无监督聚类看数据自己会分成几堆。结果分成三堆，且三堆的生存曲线分得很开——一堆带 IDH 突变加 1p/19q 共缺失，预后最好；一堆带 IDH 突变但没有共缺失，几乎都伴 TP53 突变与 ATRX 失活，预后居中；一堆 IDH 野生型，基因组混乱程度与胶质母细胞瘤接近，预后最差。
这个结论的分量不在于「又发现了一个标志物」，而在于它证明了按形态分出来的类别在生物学上是混装的。2016 年世界卫生组织中枢神经系统肿瘤分类据此改写，把分子特征写进诊断名称本身，少突星形细胞瘤这一档被取消。一个数据集直接改变了一套国际分类标准，这在 TCGA 各癌种里是少见的。
把这句话展开成可操作判断，可以分三层。第一层，若你要问「某个分子事件在低级别胶质瘤里的位置」，它是最省事的一站，因为分子分组的框架就是在这里定的。第二层，若你要做影像与分子的关联，它能用，但只有一百九十九例有影像，且 IDH 与 1p/19q 标签需要自己推导。第三层，若你要问「低级别怎么变成高级别」，它答不了，复发样本只有十六例，且没有配对影像。
| 你想问的问题 | 需要什么 | 够不够 |
|---|---|---|
| 分子分组与组织学诊断的错位有多大 | 同源的突变、拷贝数、甲基化加诊断 | 够，这正是它的设计目标 |
| 某个标志物是否独立于分级 | 突变、拷贝数与生存 | 够，随访长度是它的长处 |
| 分子亚型与影像表型是否相关 | 同源影像加推导出的标签 | 勉强够，影像一百九十九例 |
| 低级别进展为高级别的机制 | 配对的原发与复发标本 | 不够，配对样本极少 |
| 治疗方案的疗效比较 | 统一治疗方案与疗效判定 | 不够，无治疗表 |
1.2 三条常见的错误期待
第一条，把它当成「五百多例的完整多组学」。项目确实收录五百一十六例，甲基化、表达、外显子测序在这一层覆盖整齐，这是它优于胶质母细胞瘤项目的地方；但蛋白层只有四百三十例，染色质可及性只有十三例。
第二条，把它当成「带分子标签的现成队列」。这是最常见的误判。GDC 的诊断字段里只有形态学名称与 ICD-O-3 编码，没有 IDH 状态，没有 1p/19q 状态，也没有一个叫「分子亚型」的列。要按 2016 年之后的分类使用，必须自己从 MAF 或甲基化谱推导，并把规则写清楚。
第三条，把它当成「纯 II 级」。项目名称里的 lower grade 指世界卫生组织 II 级与 III 级，诊断字段里明确含间变性星形细胞瘤与间变性少突胶质细胞瘤。要研究 II 级，得自己按形态学编码筛。
| 常见期待 | 实际情况 | 后果 |
|---|---|---|
| 「五百多例都是全组学」 | 各层覆盖从十三到五百一十六例不等 | 取交集后样本量骤减 |
| 「自带 IDH 与 1p/19q 标签」 | 无此字段，需自行推导 | 分型结论依赖自建规则 |
| 「只有 II 级」 | 含 III 级的间变类型 | 分级混杂，生存分析偏保守 |
| 「三个亚型是分子定义的」 | 是当时的形态学定义 | 与分子分组对不齐 |
| 「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 |
| 「和胶质母细胞瘤是同一批人」 | 两个项目病例互斥 | 合并计数会重复或错配 |
| 「复发标本够做纵向分析」 | 复发肿瘤样本仅十六例 | 纵向结论没有统计效力 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 分子分组的原始证据 | 突变、拷贝数、甲基化、表达四套同源矩阵 | 够，且是文献标准口径 |
| IDH 状态的推导 | IDH1/IDH2 位点的突变调用 | 够，规则明确 |
| 1p/19q 共缺失的推导 | 片段级拷贝数与等位特异拷贝数 | 够，但需自己判整臂丢失 |
| 表观分型 | 甲基化 beta 值，四百五十K 平台 | 够做全脑胶质瘤甲基化分型 |
| 蛋白层验证 | RPPA 四百三十例 | 够做靶点验证，不够做规模训练 |
| 影像配分子标签 | 一百九十九例术前影像 | 够做探索性研究 |
| 病理切片弱监督 | 诊断切片四百九十一例 | 够做多实例学习 |
| 病灶分割掩膜 | 无官方勾画 | 不够，需借 TCGA-LGG-Mask 等派生集合 |
| 复发与进展分析 | 十六例复发样本 | 不够 |
| 治疗反应标签 | 无统一治疗方案字段 | 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 |
|---|---|---|
| 想验证一个新分型在公共队列里是否成立 | 提供四套同源矩阵与推导所需原料 | 先固定推导规则，再与已发表分组比对 |
| 手上有脑 MRI 模型，缺分子标签做外部验证 | 一百九十九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 | 诊断切片四百九十一例配突变与生存 | 走 GDC 切片下载，注意 SVS 体积 |
| 写综述，需要低级别胶质瘤的标准参照 | 2015 年 NEJM 与 2016 年 Cell 是通用引用 | 同时给论文 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 的轨迹做贯穿演示 |
| 想研究分级升级的机制 | 复发样本仅十六例 | 改用 GLASS 等纵向队列 |
1.5 一句话判断
它的价值不在样本量，而在它把一套国际分类标准的依据摆在了桌面上；要分子分组的证据来这里，要影像规模与纵向随访去别处。
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 | 一百九十九例，无勾画，参数不齐 | BraTS-TCGA-LGG、UCSF-PDGM、BraTS 系挑战集 |
| 追求复发与纵向 | 复发样本十六例，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 cBioPortal 版本 |
| 追求治疗反应 | 无统一方案与疗效判定 | 临床试验队列、QIN 系治疗反应集合 |
§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 与 GDC 的 case_submitter_id 字符串相等，不需要桥表。这个设计在 TCGA 各癌种里统一，低级别胶质瘤也不例外。
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。做三模态对齐时，正确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。字段数与胶质母细胞瘤项目相同，但内容形态不同：这里的随访动辄以千天计，失访与长期存活都更常见，做生存分析时删失比例的处理比事件数更关键。
| 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，含间变类型 |
| 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比较的方向。本项目的正常对照绝大多数是血液，只有两例口腔黏膜，做甲基化去卷积时要留意。
| 字段 | 取值示例 | 用途 |
|---|---|---|
| sample_submitter_id | TCGA-DU-6392-01A | 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；只看其中一个，很容易把「原始强度」当成「beta 值」。
| 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 | DNA Methylation | 粗粒度分类 |
| data_type | Methylation Beta Value | 细粒度类型 |
| experimental_strategy | Methylation Array | 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-DU-6392-01A-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。第三，切片属于样本级，一个患者可能有多张，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。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；真正要看的是覆盖病例。
临床类别的文件数只有一千零六十四份，却覆盖全部五百一十六例。少的原因不是采集更粗糙，而是随访表结构更简单——长期随访的病人，记录节点反而更稀疏。
| 数据类别 | 文件数 | 覆盖病例 | 说明 |
|---|---|---|---|
| Simple Nucleotide Variation | 10,798 | 516 | 体细胞突变调用，含多种格式 |
| Copy Number Variation | 6,802 | 515 | 基因级与片段级拷贝数 |
| Sequencing Reads | 4,295 | 516 | 比对后的读段文件 |
| Biospecimen | 2,614 | 516 | 样本与标本元数据 |
| Structural Variation | 2,491 | 516 | 结构变异调用 |
| Transcriptome Profiling | 2,128 | 516 | 表达与小 RNA 定量 |
| DNA Methylation | 1,602 | 516 | 探针级 beta 值 |
| Somatic Structural Variation | 1,497 | 452 | 体细胞结构变异 |
| Clinical | 1,064 | 516 | 病例、诊断、随访表 |
| Proteome Profiling | 435 | 430 | RPPA 蛋白丰度 |
实验策略的覆盖面说明「同一患者被几种尺子量过」。甲基化阵列、外显子测序与 RNA-seq 三者都覆盖到全部五百一十六例，这是本项目最值得说的一处：三层全齐，意味着任何一例都能同时做表达分型与表观分型，不需要在取交集时损失样本。全基因组测序覆盖四百六十一例，蛋白层四百三十例，染色质可及性只有十三例。
| 实验策略 | 文件数 | 覆盖病例 | 主要产物 |
|---|---|---|---|
| WXS | 8,505 | 516 | 外显子突变 |
| Genotyping Array | 6,706 | 515 | 拷贝数与杂合性缺失 |
| WGS | 6,391 | 461 | 全基因组变异与结构变异 |
| RNA-Seq | 4,806 | 516 | 表达定量 |
| Methylation Array | 1,602 | 516 | 甲基化 beta 值 |
| miRNA-Seq | 1,590 | 512 | 小 RNA 表达 |
| Diagnostic Slide | 844 | 491 | 诊断切片扫描 |
| Tissue Slide | 728 | 515 | 组织切片扫描 |
| Reverse Phase Protein Array | 435 | 430 | 蛋白丰度 |
| ATAC-Seq | 13 | 13 | 染色质可及性，补测小批 |
这里有一处容易读错：甲基化阵列的文件数是一千六百零二，但覆盖病例是全部五百一十六例。文件数与病例数不成比例，原因是同一份样本按平台或按批次会拆成多份落盘。规划存储时要按字节数算，不要按文件数乘平均值。
2.5 与同类资源的字段差异
同样是低级别胶质瘤多组学，TCGA-LGG 的长处在三层全齐与随访长度，短处在不带分子标签、样本量中等。把它与 cBioPortal 的整理版、与影像挑战集放在一起看，分工就清楚了。
cBioPortal 的泛癌图谱版本是最常用的二次加工：五百一十四例样本，拷贝数五百一十一例，蛋白四百二十八例，参考基因组为 hg19，另附分级与通路评分列。它省掉下载与归一，代价是口径固定，且样本数比 GDC 少两例。
| 维度 | TCGA-LGG（GDC） | cBioPortal 泛癌版 | BraTS-TCGA-LGG |
|---|---|---|---|
| 病例规模 | 五百一十六 | 五百一十四 | 从本项目派生 |
| 主打层 | 六层组学加切片 | 突变、拷贝数、表达、蛋白 | 多参数 MRI 与分割掩膜 |
| 分子标签 | 需自推 | 部分整理，另有分级与通路评分 | 不提供 |
| 参考基因组 | GRCh38（harmonized） | hg19 | 不适用 |
| 典型用途 | 原始分析与方法学 | 快速探索与外部验证 | 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，低级别胶质瘤是其中一个项目，也是最早围绕「同一组织学类型下分子异质性」立项的几个项目之一。计划层面回答「癌症的共同分子逻辑是什么」，项目层面回答「这一类胶质瘤被测量到了什么程度」。两个层面的数字不能互换。
| 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-LGG | 五百一十六例 | 单一瘤种的多组学全貌 |
| 合并分析 | GBMLGG | 见 §3.3 | 弥漫性胶质瘤的连续谱 |
| 影像子集 | TCIA TCGA-LGG | 一百九十九例 | 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，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：把低级别胶质瘤这一个项目的组学层、影像子集、临床字段与取数路径讲到能直接开工。
分工很直接：泛癌总库回答「低级别胶质瘤在 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」。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。
| 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 |
| 分子分型 | 引用文献结论 | 从原始字段推导的完整路径 |
| 适用任务 | 跨癌种迁移、泛癌分型 | 脑肿瘤分子分型、放射基因组学 |
3.3 与 TCGA-GBM 的边界：项目互斥，分析层合并
这是本篇最需要写清的一处，因为两个项目在病名上相邻，在文献里又常被并称。
第一层事实：GDC 里 TCGA-LGG 与 TCGA-GBM 是两个独立项目，前者五百一十六例，后者六百一十七例。按患者 barcode 取交集，结果为零；并集是一千一百三十三例。在项目层，没有一个病例同时属于两边。
第二层事实：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。cBioPortal 上另有分别以 gbm 与 lgg 命名的泛癌图谱版本，也是分析口径，不是新的采集。
| 口径 | 例数 | 层级 | 能否当作低级别胶质瘤规模 |
|---|---|---|---|
| TCGA-LGG（GDC 项目） | 五百一十六 | 项目 | 是 |
| TCGA-GBM（GDC 项目） | 六百一十七 | 项目 | 否，另一瘤种 |
| 两者并集 | 一千一百三十三 | 项目相加 | 否，含胶质母细胞瘤 |
| GBMLGG（2016 合并分析） | 一千一百二十二 | 分析队列 | 否，含胶质母细胞瘤 |
第三层事实，也是临床上最容易被误解的一点：一部分低级别胶质瘤确实会在复发时被判为胶质母细胞瘤，这条病程在真实世界里存在；但 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。想用这两个项目研究「升级」，靠交集是找不到的——同一个人不会出现在两边，必须使用真正前后配对的队列。
第四层，标签口径。2016 年的分类把 IDH 野生型单独拎出来，2021 年第五版又把 IDH 突变型的高级别星形细胞瘤归入星形细胞瘤四级。两个项目都按形态入组，队列里都混有按当代标准应当改名的病例。
| 维度 | TCGA-LGG | TCGA-GBM |
|---|---|---|
| 病例数 | 五百一十六 | 六百一十七 |
| 分级 | II–III | IV |
| 主论文 | 2015 NEJM，二百九十三例 | 2008 Nature，二百零六例 |
| 随访长度 | 以年计，长期存活常见 | 以月计，事件密集 |
| 复发样本 | 十六例 | 十三例 |
| 蛋白层 | 四百三十例 | 二百三十七例 |
| 影像 | 一百九十九例 | 二百六十二例 |
| 与对方的关系 | 项目互斥，分析层可合并 | 同左 |
3.4 与 BraTS-TCGA-LGG、UCSF-PDGM 的边界
库内与低级别胶质瘤影像相关的资源有几类，容易混。差别不在病种，在「测的是什么」与「标识能不能连」。
BraTS-TCGA-LGG 是 TCIA 上的分析结果集合，把本项目的部分影像转换成分割挑战赛格式并附体素级标注；它解决「没有掩膜」的问题，代价是覆盖面小于原始集合，转换过程会丢弃部分序列。TCGA-LGG-Mask 是同一来源的另一份勾画结果，用前要核对清单。UCSF-PDGM 是独立采集的术前弥漫性胶质瘤 MRI，带分子标签，标识体系不是 TCGA barcode，与本项目不能按主键连接。
| 资源 | 类型 | 规模 | 能给什么 | 与本篇的关系 |
|---|---|---|---|---|
| TCIA TCGA-LGG | 原始影像集合 | 一百九十九例 | 术前 MR 与 CT | 同源，可直连 |
| BraTS-TCGA-LGG | 派生集合 | 部分病例 | 转换格式与掩膜 | 下游加工 |
| TCGA-LGG-Mask | 分析结果 | 部分病例 | 病灶勾画 | 下游加工 |
| UCSF-PDGM | 独立队列 | 数百例 | 带分子标签的 MRI | 病种相同，主键不通 |
一句话区分：要分割标注，去 BraTS-TCGA-LGG；要原始 DICOM 与完整序列，回本篇的 TCIA 集合；要带分子标签的独立验证队列，去 UCSF-PDGM。
3.5 时间线与版本
这个项目的时间线有五段，容易压成一段。采集与测量在 2015 年前后完成，2016 年被并入弥漫性胶质瘤合并分析，同年分类改版，此后 GDC 持续做 harmonized 重处理。
| 时间 | 事件 | 对使用者的意义 |
|---|---|---|
| 2006 | 项目入组启动 | 标本与临床采集开始 |
| 2015 | NEJM 主论文，二百九十三例 | 三个分子组成为标准结论 |
| 2016 | 世界卫生组织分类改版 | 少突星形细胞瘤被取消 |
| 2016 | 并入 GBMLGG 合并分析 | 与胶质母细胞瘤放在同一坐标系 |
| 2020 | TCIA 第三版 | 临床表更新，影像版本固定 |
| 2021 | 世界卫生组织第五版 | 星形细胞瘤改为分级 2–4 |
| 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 使用认证；TCIA 影像按集合页标注的访问政策使用，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-LGG，TCIA 用同名集合，论文里常写 LGG 或 lower grade glioma，旧数据包用 LGG 作为队列缩写，泛癌分析里则用 GBMLGG 或 difg 表示弥漫性胶质瘤。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-LGG | GDC、TCIA、API | 是，标准写法 |
| LGG | 论文、旧数据包 | 是，需上下文确认 |
| lower grade glioma | 论文标题、综述 | 是，口语化 |
| Brain Lower Grade Glioma | 项目全称 | 是，正式名 |
| GBMLGG | 合并分析 | 否，含胶质母细胞瘤 |
| difg | cBioPortal 癌种代号 | 否，泛指弥漫性胶质瘤 |
§4 核心层 B：组学各层与三个组织学亚型
4.1 组学层的覆盖形状
把覆盖病例按层排开，本项目呈现的形状与胶质母细胞瘤项目不同：前四层几乎是平的，都顶到五百一十六例，然后断崖式掉到四百三十例的蛋白层，再掉到十三例的染色质层。
| 数据层 | 覆盖病例 | 相对厚度 | 典型用途 |
|---|---|---|---|
| 体细胞突变 | 516 | 最厚 | 驱动基因、IDH 与 TP53 状态 |
| 拷贝数与杂合性缺失 | 515 | 最厚 | 1p/19q 判定、CDKN2A 缺失 |
| 甲基化 | 516 | 最厚 | 甲基化分型、MGMT 状态 |
| 表达定量 | 516 | 最厚 | 分型、通路活性、预后模型 |
| miRNA | 512 | 厚 | 调控网络 |
| 蛋白 | 430 | 中 | 通路蛋白验证、药物靶点 |
| 染色质可及性 | 13 | 极薄 | 机制探索，无统计效力 |
这个形状对多组学融合是友好的：突变、拷贝数、甲基化、表达四层可以在全部样本上取交集，不损失一例。真正决定样本量的是蛋白层，四层加蛋白落到四百三十例。这个配置在本库里属于较好的一档，做分型研究不必为样本流失额外设计。
另有一处历史层叠需要处理：甲基化在本项目主要用四百五十K平台，与早期胶质母细胞瘤项目使用的二十七K平台探针集不同。跨项目合并甲基化数据时，只能取交集探针，或者用同一套分型算法分别跑再对齐标签。这个选择会改变可分型的样本量。
4.2 三个组织学亚型与分子分组的错位
这是本项目最核心的一节，也是最容易读错的一节。
入组时按形态学把肿瘤分成三类：星形细胞瘤、少突胶质细胞瘤、少突星形细胞瘤。三类的名称来自细胞形态——星形、少突、两者混合。三者在诊断字段里各分 NOS 与间变两档，对应世界卫生组织 II 级与 III 级，编码以 ICD-O-3 为准。这三类都有覆盖，没有一类缺席。
| 亚型 | 形态学编码 | 分级 | 在本项目里的覆盖 | 2016 年后的归属 |
|---|---|---|---|---|
| 星形细胞瘤 | 9400/3、9401/3 | II–III | 有，NOS 与间变两档都在 | 视 IDH 状态归入星形细胞瘤或另判 |
| 少突胶质细胞瘤 | 9450/3、9451/3 | II–III | 有，NOS 与间变两档都在 | IDH 突变且 1p/19q 共缺失者保留此名 |
| 少突星形细胞瘤 | 9382/3 | II–III | 有，是当时记录量不小的一档 | 2016 年被取消，按分子结果拆入上述两类 |
问题出在第三类。少突星形细胞瘤在形态学上是「两种成分都有」，但诊断的重复性很差：不同病理学家看同一张切片，给出的比例可以差很多。2015 年的分析把这批样本放进分子数据里跑，发现它们并不是一个独立的生物学类别，而是散进了前两类——带 1p/19q 共缺失的落到少突胶质细胞瘤，带 TP53 突变与 ATRX 失活的落到星形细胞瘤。2016 年的分类据此取消了这一档。
三个分子组的内容需要写清，因为它决定了几乎所有后续分析的做法。第一组是 IDH 突变加 1p/19q 全臂共缺失，这一组还常带 CIC、FUBP1、NOTCH1 与 TERT 启动子突变，预后最好。第二组是 IDH 突变但无共缺失，几乎都伴 TP53 突变与 ATRX 失活，预后居中。第三组是 IDH 野生型，基因组不稳定程度与原发性胶质母细胞瘤接近，预后最差；2016 年的合并分析把这一组又拆细，其中一部分与毛细胞型星形细胞瘤相似、生存反而较好，但入组时的分层只有三组。三组之间在 IDH 上互斥，在 1p/19q 与 TP53 上也基本互斥。
| 分子组 | 定义特征 | 伴随事件 | 与形态学的关系 |
|---|---|---|---|
| 第一组 | IDH 突变 + 1p/19q 共缺失 | CIC、FUBP1、NOTCH1、TERT 启动子 | 多数落在少突胶质细胞瘤，也有少突星形细胞瘤 |
| 第二组 | IDH 突变，无共缺失 | TP53、ATRX | 多数落在星形细胞瘤，部分来自少突星形细胞瘤 |
| 第三组 | IDH 野生型 | 类似胶质母细胞瘤的拷贝数事件 | 三类形态里都有，比例不高但分散 |
这个错位带来三个实操结论。第一，拿诊断字段当标签做分类，标签本身就带噪声，上限受限于当年的形态学判断。第二，三分类任务的正确标签是推导出的分子组，不是诊断字段。第三，推导规则必须固定：IDH 用哪个位点、1p/19q 用片段级还是等位特异拷贝数、阈值取多少，都要写进方法学。
4.3 案例：一位患者从术前扫描到切片扫描的四段轨迹
下面用一个示例 barcode 展开各层如何在一个对象上串起来，它只演示结构，不对应可识别的患者。
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，影像日期被整体平移，而 GDC 的天数相对病理诊断日，两边相减得不到「术前多少天」，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，是假设影像里的异常信号区与某张切片上的肿瘤是同一块组织。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：与分子同源的形态层
GDC 侧有两类切片扫描：诊断切片覆盖四百九十一例，组织切片覆盖五百一十五例。诊断切片是病理科用于出报告的 H&E，组织切片多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 | 491 | 515 |
| 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 |
这层价值在于「与分子同源」：切片来自被测量过的那块组织，患者级标签可以直接挂上去。对本项目还有一层特殊意义——既然形态学诊断本身是争议来源，切片就是研究「病理学家为什么会分歧」的原始材料，同一批切片可让多位病理学家重判再与分子组对照，这类研究在别处很难做。
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 |
本项目的随访长度是隐性优势。低级别胶质瘤病人活得久，随访动辄五年十年，事件积累慢但删失比例低，做时间依存分析比胶质母细胞瘤稳定。代价是入组年代早，治疗背景与今天不同。
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-LGG-Mask | 分析结果 | 病灶勾画掩膜 | 随资源页声明 |
| BraTS-TCGA-LGG | 派生集合 | 转换为挑战赛格式的影像 | 随资源页声明 |
| DICOM-Glioma-SEG | 分析结果 | 跨集合的胶质瘤分割 | 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 2015 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。
| 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 |
| 推导规则 | IDH 与 1p/19q 的判定阈值 | 分组标签不可复现 |
最后一项在本项目上尤其重要。别的地方可以抄现成标签，这里不行；分组是算出来的，算法不写清楚，结果就无法被别人重跑。
§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，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 | 依集合访问政策 | 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-LGG?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。总量包含受控层，不等于开放层可下载的体量；本项目的受控层占比高于开放层，主要是读段与胚系变异占了大头。
| 端点 | 返回内容 | 典型用途 |
|---|---|---|
| /projects/TCGA-LGG | 项目元数据与汇总 | 立项、写方法学 |
| /projects/TCGA-LGG?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-LGG"]}},
{"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-LGG | 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-LGG，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。整个过程要遵守集合页的访问政策，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-LGG", "format": "json"}, timeout=180).json()
print("patients", len(patients))
first = patients[0]["PatientId"]
series = requests.get(f"{base}/getSeries", params={"Collection": "TCGA-LGG", "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。两千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-LGG.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分级与生存上是否可比。第三件最容易被跳过，却是审稿人最先问的；§4.3 的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 | 接近一百九十九 | 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 | 分级与生存分布接近 | 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、混用新旧版本的文件标识、拿样本级标识去连患者级影像，这些在数据量小时不易发现。
本项目还有一类专属问题：把诊断字段直接当作分子标签。诊断是形态学名称，同名之下混着不同分子组，用错了模型会学到一个噪声标签，而评估指标看起来还不错。
| 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 |
| 分组标签无法复现 | 推导阈值未记录 | 把规则与代码一并存档 |
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；影像只有四十余 GB，但两千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 | 四十余 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-LGG 处在「计划—项目—派生」三层结构的中间：向上是 TCGA 泛癌总库，向下是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-LGG | 本篇 | 单项目的组学、影像、切片与临床细节 |
| TCGA-GBM | 姊妹项目 | 胶质母细胞瘤，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 |
| BraTS 系 | 下游派生 | 分割挑战，部分影像与本篇同源 |
| kg-lgg-mri-segmentation | 同病种影像集 | 低级别胶质瘤 MRI 分割，标识不通 |
| UCSF-PDGM | 影像对照 | 带分子标签的术前 MRI，规模相当 |
| qin-gbm | 相邻队列 | 灌注 MRI 重复性，纯影像 |
| 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 TCGA-GBM 的分工：一对必须同时读的词条
库内刚发布胶质母细胞瘤词条，两篇要对着看。分工一句话：GBM 篇讲「最高级别那一端被测量到什么程度」，本篇讲「中间那一端为什么需要重新分类」。三点差别最要紧——随访形态上，GBM 事件密集、曲线陡，本篇事件稀疏、删失多；分层依据上，GBM 看 MGMT 与表达亚型，本篇看 IDH 与 1p/19q；队列关系上，两者互斥，只能在分析层合并且必须按分子重分层。
| 维度 | 本篇 | TCGA-GBM |
|---|---|---|
| 核心分层变量 | IDH、1p/19q | MGMT、表达亚型 |
| 生存形态 | 长随访、低事件率 | 短随访、高事件率 |
| 分级 | II–III | IV |
| 与对方合并 | 仅分析层，需重分层 | 同左 |
| 典型任务 | 分子分型、长期预后 | 通路机制、治疗反应 |
6.3 与 kg-lgg-mri-segmentation、UCSF-PDGM 的边界
库内另有两个与本篇病种重叠的影像资源。kg-lgg-mri-segmentation 是带分割标注的低级别胶质瘤 MRI 集合，规模小但标注完整；UCSF-PDGM 是独立采集的术前弥漫性胶质瘤队列，带分子标签。两者与 TCGA-LGG 的关系都是「病种相同、标识不通」。
不能把它们的病例与本篇按 barcode 合并，也不能假设两边有重叠；它们的价值在外部验证与预训练，不在扩大样本量。
| 维度 | 本篇 | kg-lgg-mri-segmentation | UCSF-PDGM |
|---|---|---|---|
| 影像 | 一百九十九例 | 小规模，带标注 | 数百例 |
| 分割掩膜 | 无 | 有 | 部分 |
| 分子标签 | 需自推 | 无 | 有 |
| 主键 | TCGA barcode | 独立编号 | 独立编号 |
| 适用任务 | 关联与分型 | 分割训练 | 外部验证 |
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 |
|---|---|---|
| 低级别胶质瘤的多组学全貌 | 本篇 §2、§4 | TCGA 泛癌总库的癌种章节 |
| 胶质母细胞瘤的数据 | TCGA-GBM | 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 |
| 低级别胶质瘤 MRI 分割 | kg-lgg-mri-segmentation | 本篇 §6.3 的边界说明 |
| 带分子标签的术前 MRI | UCSF-PDGM | 本篇 §4.3 的轨迹 |
| 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，分子发现加影像验证：先在本篇用四层同源矩阵推导分子组与表达签名，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。配方二，分割预训练加分子微调：先用 kg-lgg-mri-segmentation 或 BraTS 训练编码器，再用本篇一百九十九例做小样本微调，预测 IDH 状态。配方三，跨瘤种对照：把本篇与 GBM 篇按 GBMLGG 口径合并，比较 IDH 野生型的低级别病例与典型胶质母细胞瘤在拷贝数上的相似程度。
| 配方 | 主数据 | 辅助数据 | 注意 |
|---|---|---|---|
| 分子发现加影像验证 | 本篇组学 | UCSF-PDGM | 验证队列的扫描协议不同 |
| 分割预训练加微调 | 本篇影像子集 | BraTS 系 | 站点差异会导致负迁移 |
| 跨瘤种对照 | 本篇与 GBM 篇 | GBMLGG 口径 | 必须按分子重分层，不能简单拼表 |
§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「它改变了分类标准」当成「它的数据规格也一样领先」。改变分类是事实，但落到可用数据上，蛋白层四百三十例，影像一百九十九例且无标注，复发样本十六例，与它的历史地位不是一回事。
第二个前置校正是把「三个亚型」当成「三个分子组」。亚型是当年按形态贴的标签，分子组是从数据里算出来的，两者对不齐正是这个项目的核心发现。第三个前置校正是把「低级别」当成「II 级」：项目含 III 级的间变类型，做分级分析时不筛就会混杂。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，而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 | 4 | 五百余例，四层组学全覆盖，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 | 3 | 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，但分子标签需自推，规则不写就不可复现 |
| 合规 | 4 | 三层许可清楚，受控层申请周期长 |
| 文档 | 5 | 主论文、合并分析、数据字典形成闭环 |
| DAIMS 层 | 覆盖内容 | 缺口 |
|---|---|---|
| 描述层 | 项目页、数据字典、主论文、集合页 | 分子分组无官方字段，需自建 |
| 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
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。规模给 4 分，扣在蛋白与复发；配对给 3 分，扣在影像只覆盖约四成；可复现给 4 分，扣在分子标签必须自推；文档满分，因为主论文、合并分析与数据字典互相补位。
| 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，且患者能耐受手术，因此体能状态差、肿瘤位于功能区不适合切除的病例被系统性排除，队列预后好于真实人群；低级别胶质瘤本身进展慢，这个偏差会被随访长度放大。
偏差二，站点偏差。组学来自数十个组织来源站点，影像来自五家影像来源站点，扫描仪与建库批次叠加。§4.3 的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 2006 到 2015 年，治疗以手术加放疗加烷化剂为主，与今天的分子靶向与电场治疗背景不同。偏差四，标签偏差。按形态入组，含一部分按当代标准应改名的病例，少突星形细胞瘤这一档在 2016 年后已不存在。
| 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 | 2006–2015 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，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。
| 结论 | 内部证据 | 外部验证 | 可信度 |
|---|---|---|---|
| 三个分子组的存在与预后差异 | 2015 年多平台聚类 | 多个独立队列与 meta 分析复现 | 高 |
| IDH 突变是低级别胶质瘤的主导分层变量 | 突变加生存 | 写入世界卫生组织分类 | 高 |
| 1p/19q 共缺失定义少突胶质细胞瘤 | 拷贝数加组织学 | 临床检测常规使用 | 高 |
| IDH 野生型低级别病例与胶质母细胞瘤相似 | 拷贝数与表达 | 后续分类改版采纳 | 高 |
| 甲基化分型可复现三个分子组 | 甲基化聚类 | 独立队列与临床检测一致 | 高 |
| 影像特征可预测 IDH 状态 | 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：因为它成了分类学的证据底座
数据集的生命周期通常止于论文发表，这个项目不一样。数据冻结多年，引用量仍在增长，原因是它成了证据底座：讨论低级别胶质瘤分型，要回到这批标本说明分组是否一致；提出新标志物，要在这批数据上先过一遍。
代价是它答不了新问题。单细胞、空间转录组、治疗前后配对、影像随访、复发机制，它都答不了。它的持续不是因为内容常新，而是因为把「形态学与分子学对不上」一次摆清楚了。
§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：立项与采集、主论文与分组、分类改版与合并、影像与派生。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 |
|---|---|---|---|
| 立项与采集 | 2006–2012 | 多中心入组、六类测量 | 五百余例标本与临床 |
| 主论文与分组 | 2015 | 二百九十三例整合分析 | 三个分子组、预后证据 |
| 分类改版与合并 | 2016 | 世界卫生组织改版、并入 GBMLGG | 分类依据、合并队列 |
| 影像与派生 | 2014–2020 | 影像集合发布与更新 | 一百九十九例术前影像 |
| 持续复用 | 2016– | 作为分型参照被反复调用 | 证据底座地位 |
8.2 主论文的三条结论
2015 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，三个分子组。按 IDH 突变与 1p/19q 共缺失划分的三组在生存上分得很开，且分组与形态学诊断不一致。这条结论把「按形态分类」改成了「按分子分类」，是 2016 年改版的直接依据。
第二条，IDH 野生型的性质。这一组在基因组畸变与临床行为上与原发性胶质母细胞瘤高度相似，提示它本来就不是「低级别」的病，只是取样时级别还低。
第三条，少突星形细胞瘤不成立。这一档在分子数据里没有独立位置，样本散入前两组。一个诊断名称就此被取消，这也是病理学界接受分子分类的转折点。
| 结论 | 证据类型 | 后续影响 |
|---|---|---|
| 三个分子组预后可分 | 突变、拷贝数、甲基化、表达联合 | 分类标准改写 |
| IDH 野生型近似胶质母细胞瘤 | 拷贝数加临床 | 解释快速进展病例 |
| 少突星形细胞瘤无独立生物学位置 | 聚类加生存 | 2016 年取消该诊断 |
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，到分子分组标签，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 | 分子组、IDH 状态、1p/19q 状态 | 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
把它放进更大的脑肿瘤数据生态里，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，但它是唯一把六层组学、病理切片、术前影像与长期随访放在同一主键上、并直接改写分类标准的公共资源。
| 项目 | 影像 | 分子 | 随访 | 定位 |
|---|---|---|---|---|
| TCGA-LGG | 一百九十九例 | 六层 | 长期 | 分型证据底座 |
| TCGA-GBM | 二百六十二例 | 七层 | 短期 | 多模态参照系 |
| CPTAC 胶质瘤 | 有配对子集 | 蛋白为主 | 有限 | 蛋白层验证 |
| UCSF-PDGM | 数百例 | 有 | 有 | 影像与分子配对 |
| kg-lgg-mri-segmentation | 小规模带标注 | 无 | 无 | 分割训练 |
§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，按站点分层做预训练，再回 GDC 推导 IDH 状态做小样本微调，这正是 §4.3 的轨迹在队列尺度上的展开。病理工程师走「先切片、后分子」，做切片级自监督再聚合到患者级。生物信息学者走「先矩阵、后分组」，先跑一遍已发表的分组算法，再在分组内做差异分析。
| 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 | 取四层矩阵 | 复现三个分子组 | 差异与预后分析 |
| 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 | 直接用诊断字段当分子标签 | 先推导 IDH 与 1p/19q |
| 临床研究者 | 把 III 级混进 II 级一起分析 | 按形态学编码筛分级 |
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、筛突变文件、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-lgg/data && cd tcga-lgg/data
curl -s "https://api.gdc.cancer.gov/projects/TCGA-LGG?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-LGG"]}},{"op":"in","content":{"field":"data_category","value":["Simple Nucleotide Variation"]}},{"op":"in","content":{"field":"access","value":["open"]}}]},"fields":"file_id,file_name,file_size","format":"JSON","size":5000}' \
-o mutation_files.json
python3 -c "import json; d=json.load(open('mutation_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，或直接取打包的 MAF。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-LGG | 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 |
| 推导分组 | MAF 与拷贝数规则 | 分子组标签 |
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 |
| 主论文 | NEJM 2015，DOI | 引成综述 |
| 合并分析 | Cell 2016，DOI | 当作原始数据引用 |
| 分类依据 | 世界卫生组织分类对应版本 | 混用 2007 与 2016 版 |
| 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。受控层的转发限制与重新识别禁令尤其要紧，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、NEJM 2015 与 Cell 2016 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、GBMLGG 未纳入的十一例原因 |
| 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-LGG 没有影像」 | TCIA 有一百九十九例术前影像 | TCIA 集合页受试者数 |
| 「LGG 与 GBM 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 记录 |
| 「低级别就是 II 级」 | 含 III 级的间变类型 | GDC 诊断字段的形态学名称 |
| 「三个亚型是分子分型」 | 是当时的形态学诊断 | 2015 年论文的聚类方法 |
| 「少突星形细胞瘤还在用」 | 2016 年分类已取消该档 | 世界卫生组织分类改版 |
| 「临床表里有 IDH 状态」 | 无此字段，需自推 | GDC 诊断字段构成 |
| 「自带 1p/19q 共缺失标签」 | 无，需从拷贝数判整臂丢失 | GDC 文件类型清单 |
| 「五百多例都能做蛋白分析」 | 蛋白层四百三十例 | GDC 策略汇总 |
| 「复发样本够做纵向分析」 | 复发肿瘤样本仅十六例 | 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 |
| 「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-LGG 与 TCGA-GBM 是什么关系，会不会重复计数？
在 GDC 里这是两个互斥的项目，前者五百一十六例，后者六百一十七例，按患者 barcode 取交集为零，并集一千一百三十三例。文献里的 GBMLGG 是 2016 年把两者合并后按分子重分层的分析队列，规模略小于两者之和，既不是 LGG 的规模，也不是 GBM 的规模。
Q2：它有影像吗？
有，但不在 GDC。TCIA 的 TCGA-LGG 集合第三版收录一百九十九例术前影像，二百一十九次检查、二千二百七十五个序列、二十四万余张图像，含 MR 与 CT 两类，体量四十二点九二 GB。影像按集合页标注的访问政策申请，引用要含 DOI。
Q3：为什么 GDC 写五百一十六例，2015 年论文写二百九十三例？
论文报告的是完成多平台整合分析的二百九十三例成人 II–III 级胶质瘤；GDC 的项目计数包含全部入库病例，其中有诊断未报告、只有部分测量或质量不合格的记录。写方法学要说清用的是哪个口径。
Q4：能不能直接拿到 IDH 与 1p/19q 标签？
不能。诊断字段只有形态学名称与 ICD-O-3 编码。IDH 要从 MAF 里的 IDH1/IDH2 位点或甲基化谱推导；1p/19q 共缺失要从片段级或等位特异拷贝数判断两个染色体臂同时丢失，注意是整臂而不是小片段。两条规则都要写进方法学。
Q5：三个组织学亚型和三个分子组是同一回事吗？
不是。前者是入组时的形态学诊断，后者是从突变与拷贝数算出来的分组，两者大体对应但不对齐。少突星形细胞瘤在分子上散入前两组，这正是 2016 年取消该诊断的原因。
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 从几十兆到数百兆，五百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 |
|---|---|
| LGG | Lower Grade Glioma，低级别胶质瘤，本项目指世界卫生组织 II–III 级 |
| 弥漫性胶质瘤 | 浸润性生长、边界不清的一类胶质瘤，与局灶性肿瘤相对 |
| IDH | 异柠檬酸脱氢酶基因，低级别胶质瘤的核心分层标志 |
| 1p/19q 共缺失 | 一号染色体短臂与十九号染色体长臂同时整臂丢失，少突胶质细胞瘤的标志 |
| 少突胶质细胞瘤 | 带 IDH 突变与 1p/19q 共缺失的一类胶质瘤 |
| 星形细胞瘤 | 带 IDH 突变、常伴 TP53 与 ATRX 改变的一类胶质瘤 |
| 少突星形细胞瘤 | 形态上两种成分混合的诊断，2016 年被取消 |
| ATRX | 与替代性端粒延长相关的基因，突变常见于星形细胞瘤 |
| TP53 | 抑癌基因，突变常见于 IDH 突变的星形细胞瘤 |
| TERT 启动子 | 端粒酶逆转录酶基因的调控区，突变常见于少突胶质细胞瘤 |
| GBMLGG | 把胶质母细胞瘤与低级别胶质瘤合并的分析队列 |
| G-CIMP | 胶质瘤 CpG 岛甲基化表型 |
| 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 |
| ICD-O-3 | 国际肿瘤疾病分类第三版，形态学编码依据 |
| 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 | 516 | GDC 项目端点 | 官方接口 |
| 文件数 | 33,726 | GDC 项目端点 | 官方接口 |
| 总体量 | 约 296 TB | GDC 项目端点 | 官方接口 |
| 开放层文件 | 13,047 | GDC 文件端点 | 官方接口 |
| 受控层文件 | 20,679 | 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 | 10 | GDC 项目端点 | 官方接口 |
| 原发肿瘤病例 | 516 | GDC 样本聚合 | 官方接口 |
| 复发肿瘤病例 | 16 | GDC 样本聚合 | 官方接口 |
| 血液正常病例 | 514 | GDC 样本聚合 | 官方接口 |
| 蛋白层覆盖 | 430 | GDC 项目端点 | 官方接口 |
| 影像受试者 | 199 | TCIA 集合页 | 官方页面 |
| 影像检查 | 219 | TCIA 集合页 | 官方页面 |
| 影像序列 | 2,275 | TCIA 集合页 | 官方页面 |
| 影像图像 | 241,183 | TCIA 集合页 | 官方页面 |
| 影像体量 | 42.92 GB | TCIA 集合页 | 官方页面 |
| 影像模态 | MR、CT | TCIA 集合页 | 官方页面 |
| 主论文规模 | 293 | NEJM 2015 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 | 199、219、2,275、241,183、42.92 GB | TCIA 集合页第三版 |
| 官方页面 | 2006 入组、2015 主论文、2020 第三版 | 项目与集合说明 |
| 论文摘要 | 二百九十三例、三个分子组、少突星形细胞瘤不成立 | NEJM 2015 |
| 论文摘要 | 一千一百二十二例合并队列 | Cell 2016 |
| 二次平台 | 五百一十四例、蛋白四百二十八例、hg19 | cBioPortal 研究端点 |
| 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
- The Cancer Genome Atlas Research Network. Comprehensive, Integrative Genomic Analysis of Diffuse Lower-Grade Gliomas. N Engl J Med, 2015, 372:2481–2498. DOI: 10.1056/NEJMoa1402121.
- 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.
- Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol, 2016, 131:803–820.
- Louis DN, Perry A, Wesseling P, et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary. Neuro Oncol, 2021, 23:1231–1251.
- Brennan CW, Verhaak RGW, McKenna A, et al. The somatic genomic landscape of glioblastoma. Cell, 2013, 155:462–477.
- 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, 173:400–416.
- Pedano N, Flanders AE, Scarpace L, et al. The Cancer Genome Atlas Low Grade Glioma Collection (TCGA-LGG), Version 3. The Cancer Imaging Archive, 2020. DOI: 10.7937/K9/TCIA.2016.L4LTD3TK.
- Genomic Data Commons. GDC Data Portal, TCGA-LGG project page. https://portal.gdc.cancer.gov/projects/TCGA-LGG.
- cBioPortal for Cancer Genomics. Brain Lower Grade Glioma (TCGA, PanCancer Atlas). https://www.cbioportal.org/study/summary?id=lgg_tcga_pan_can_atlas_2018.
附录 D：任务代码
下面的脚本把「取病例、取样本类型、统计可推导分组的队列」三步串起来，用于在开题时快速判断规模。
import requests
FIELDS = "submitter_id,diagnoses.primary_diagnosis,diagnoses.morphology,samples.sample_type,demographic.vital_status"
payload = {
"filters": {"op": "in", "content": {"field": "project.project_id", "value": ["TCGA-LGG"]}},
"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", [])))
anaplastic = sum(1 for c in cases if any("anaplastic" in (d.get("primary_diagnosis") or "") for d in c.get("diagnoses", [])))
print("cases", len(cases), "primary", primary, "recurrent", recurrent, "anaplastic", anaplastic)
输出四个数字，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」「多少例是 III 级」。最后两个数字决定能不能做复发与分级相关分析，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 |
| anaplastic | 间变类型例数 | 决定能否单做 II 级 |
附录 E：如果只记五件事
| 序号 | 要点 |
|---|---|
| 一 | 五百一十六例 II–III 级弥漫性胶质瘤，四层组学在全样本上取交集不损失病例 |
| 二 | 它的核心贡献是用 IDH 与 1p/19q 把低级别胶质瘤重新分层，直接推动 2016 年世界卫生组织分类改版 |
| 三 | 三个组织学亚型是当年的形态学诊断，其中少突星形细胞瘤已被取消，与三个分子组不对齐 |
| 四 | 与 TCGA-GBM 病例互斥，GBMLGG 是 2016 年的分析队列，不是第三个项目 |
| 五 | 影像一百九十九例存 TCIA 而非 GDC，无勾画；分子标签需自推，复发样本仅十六例 |
编辑说明
核验日期 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 2015 年 NEJM、2016 年 Cell 与两版世界卫生组织分类摘要。与简报的三处出入已按官方页面更正：病例数为五百一十六例而非概数；GDC 口径与论文口径相差二百二十三例，正文并列呈现而不做裁定；TCIA 影像一百九十九例、第三版、四十二点九二 GB，属受控访问。少突星形细胞瘤在 2016 年后失效，正文按历史名称保留并注明归属。未做全量下载，分布类数字不写，亚型只说明覆盖不给频次。影像按序列类型的病例数、各层精确交叉覆盖、GBMLGG 与并集相差的十一例原因，官方均未给出，标注为未核实。修订时更新附录 A 与附录 B，再同步概览表。
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-gbm — 共享标签：基因组学与多组学 / 肿瘤学 / 脑肿瘤 / 多模态
- soft-tissue-sarcoma — 共享标签：基因组学与多组学 / 肿瘤学 / 多模态
- hnsc — 共享标签：基因组学与多组学 / 肿瘤学 / 多模态
- upenn-gbm — 共享标签：基因组学与多组学 / 肿瘤学 / 脑肿瘤
- cosmic — 共享标签：基因组学与多组学 / 肿瘤学
- genomics-england-100k — 共享标签：基因组学与多组学 / 肿瘤学
- cptac — 共享标签：基因组学与多组学 / 肿瘤学
- target — 共享标签：基因组学与多组学 / 肿瘤学
- pcawg — 共享标签：基因组学与多组学 / 肿瘤学
- civic — 共享标签：基因组学与多组学 / 肿瘤学
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。
