区分公共癌症基因组测序数据二次分析中潜在的细菌-肿瘤关联与污染

数据集获取

源站：https://search.dataone.org/view/sha256%3A0b67ac9a7d175797b0508242fdb665c60f72a6698d08d5bc0d0546a634c6987a

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。

数据说明

背景：已知多种细菌可影响癌变过程。因此，我们试图探究是否可以利用大型公共癌症基因组计划（如癌症基因组图谱TCGA）所产生的公开全基因组和全转录组测序数据来识别与癌症相关的细菌。我们使用Burrows-Wheeler比对工具（BWA），将TCGA中部分Illumina双端测序数据比对到人类参考基因组及RefSeq数据库中所有完整的细菌基因组上，以期从微生物组中识别出细菌读段对。结果：通过仔细考量所研究癌症类型中存在的所有细菌分类群、其相对丰度以及批次效应，我们能够识别出某些分类群中的部分读段对很可能源于污染。特别是，卵巢浆液性囊腺癌（OV）和多形性胶质母细胞瘤（GBM）样本中结核分枝杆菌复合群的存在与样本的测序中心相关。此外，Ralstonia spp.的存在之间也存在相关性。

以及两板急性髓系白血病（AML）样本。最终，在AML中，假单胞菌样和不动杆菌样读段对之间的关联仍然存在，而在胃腺癌（STAD）中，假单胞菌样读段对之间的关联也依然存在，这些关联无法通过批次效应或其他样本中所见的系统性污染来解释。结论：这种方法表明，有可能从公共基因组测序数据中识别出可能存在于人类肿瘤样本中的细菌，并可进一步通过实验加以检验。未来在怀疑细菌与疾病存在关联时，应更加重视这种方法。

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。