TCGA低级别胶质瘤HGNC标准化分子数据

数据集获取

源站：https://doi.org/10.6084/m9.figshare.32194674.v1

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 103.5 MB。

数据说明

该数据集包含在TCGA低级别胶质瘤Python流程第五阶段生成的、经HGNC映射的分子数据文件。在此阶段，基因协调后的表达、拷贝数变异和突变数据集均使用基于HGNC的基因标识符映射进行了标准化。Hugo_Symbol值已与官方基因符号和Entrez基因ID对齐，以提高所有分子数据集之间的一致性。映射过程使用了官方HGNC基因信息，包括获批基因符号、别名符号和曾用基因名。这有助于解决因原始源文件中基因名称过时、符号替代或命名惯例不同而导致的不一致问题。未映射或无效的基因条目已被过滤掉，以确保仅保留具有可靠标准化标识符的基因。此步骤通过确保表达、CNA和突变记录指向相同的标准化基因实体，提高了下游整合的准确性。此阶段使用的输入文件为expr_step2.csv、cna_step2.csv和mut_step2.xlsx。

该阶段使用 hgnc_mapping.py 脚本执行。本数据集包含的输出文件有 expr_step3.csv、cna_step3.csv 和 mut_step3.xlsx。这些文件分别代表经 HGNC 映射的表达、CNA 和突变数据集。这些文件已准备好用于最终的多组学整合、SQL 表生成、图数据库构建及下游分析。该阶段不改变生物学测量本身，重点在于基因标识符标准化、去除未映射记录，并为 TCGA LGG 多组学数据库准备可靠的基因关联数据集。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。