TCGA 基因表达数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.8192916

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 1.11 GB。

数据说明

摘要：癌症基因组图谱（TCGA）是由美国国家癌症研究所（NCI）和美国国家人类基因组研究所（NHGRI）共同发起的一项大规模合作项目，旨在全面描绘多种癌症类型的基因组和分子特征。这些数据集包含了膀胱尿路上皮癌（BLCA）、宫颈鳞状细胞癌和宫颈内膜腺癌（CESC）、多形性胶质母细胞瘤（GBM）、头颈部鳞状细胞癌（HNSC）、肾透明细胞癌（KIRC）以及低级别胶质瘤（LGG）的基因表达谱。BLCA、CESC、HNSC、KIRC和LGG的基因表达谱是由北卡罗来纳大学TCGA基因组特征中心利用Illumina HiSeq 2000 RNA测序平台实验测定。GBM数据集的基因表达谱则是由麻省理工学院和哈佛大学布罗德研究所癌症基因组特征中心利用Affymetrix HT人类基因组U133a微阵列平台实验测定。灵感来源：该数据集已上传至UBRITE，用于GTKB项目。

移除了log2(x+1)归一化，并对BLCA、CESC、HNSC、KIRC和LGG数据集进行了z归一化。移除了log2(x)归一化，并对GBM数据集进行了z归一化。致谢：Goldman, M.J., Craft, B., Hastie, M. et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol (2020). https://doi.org/10.1038/s41587-020-0546-8. The Cancer Genome Atlas Research Network., Weinstein, J., Collisson, E. et al. The Cancer Genome Atlas Pan-Cancer analysis project. Nat Genet 45, 1113–1120 (2013). https://doi.org/10.1038/ng.2764. U-BRITE最后更新：07/13/2023

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。