TCGA乳腺癌样本中的BRCA1表达数据集
Datamonger便携式BRCA1回归数据集，直接依据NCI基因组数据共享中心托管的官方TCGA Agilent Level 3档案整理而成
基本信息
资源简介
TCGA乳腺癌样本中的BRCA1表达数据集
BRCA1表达数据集整理自NCI基因组数据共享中心托管的官方TCGA Agilent Level 3档案，是一个面向回归任务的便携式数据资源，聚焦乳腺癌样本中BRCA1基因的表达水平。该数据集共包含536个肿瘤样本，其中533个为原发肿瘤、3个为转移性肿瘤，并提供17,322个基因表达预测变量，以BRCA1表达作为响应变量y。测量值为经log2 lowess标准化的Cy5/Cy3比值，并按基因符号折叠汇总。数据以压缩CSV形式保存，保留官方数值精度与基因符号，以公开TCGA样本ID作为元数据，且不含缺失值。该数据集由The Cancer Genome Atlas Network作者提供，存放于Zenodo，发布时间为2026年，适用于基因表达回归建模及相关方法比较研究。
【数据集背景】
该数据集属于肿瘤/乳腺癌领域，来源于doi.org所指向的公开资源。其构建目的是提供一个可直接用于回归分析的BRCA1表达数据表示，数据直接依据NCI基因组数据共享中心托管的官方TCGA Agilent Level 3档案整理而成。源站将其描述为Datamonger便携式BRCA1回归数据集，强调其从官方档案直接准备、便于分发与复用的特点。该队列与Iowa Biostatistics的brca1数据集相匹配，但本表示采用官方来源测量值，未包含Iowa额外提供的基因注释。
【数据内容】
数据集包含536个肿瘤样本，其中533个原发样本、3个转移性样本；预测变量为17,322个基因表达特征，响应变量为BRCA1表达。测量值为log2 lowess标准化的Cy5/Cy3比值，并按基因符号折叠汇总。压缩CSV文件保留官方数值精度和基因符号，公开TCGA样本ID作为元数据保留，但样本ID不进入模型特征。数据中不含缺失值。官方基因符号SEP15在该表示中得到保留。
【采集与来源】
数据直接整理自NCI基因组数据共享中心托管的官方TCGA Agilent Level 3档案，作者为The Cancer Genome Atlas Network，存放机构为Zenodo，来源站为doi.org。源站说明该表示使用官方来源测量值，与Iowa准备数值的最大绝对差异约为4.55e-8。源档案中包含一个重复样本，其ID在源站描述中未完整给出。
【适用场景】
该数据集适用于以BRCA1表达为响应变量的回归建模，可用于基因表达预测模型的训练与评估、不同回归方法的比较，以及基于TCGA乳腺癌样本的表达数据分析。由于其提供固定数量的样本和基因特征，并保留官方数值精度，也适合作为可重复研究中的基准数据表示。具体下游应用场景源站未提供。
【使用方法】
数据集以压缩CSV格式分发，包含基因表达预测变量与BRCA1响应变量，样本ID作为元数据保留但不作为模型特征使用。使用者可按回归任务常规流程读取CSV、分离特征与响应变量，并依据样本ID进行必要的元数据关联。源站未提供更详细的使用步骤或代码示例。
【质量与限制】
数据不含缺失值，保留官方数值精度与基因符号，样本ID不进入特征，官方基因符号SEP15得到保留。与Iowa准备数值相比，最大绝对差异约为4.55e-8。源档案中存在一个重复样本，其完整ID未在源站描述中给出。该表示未包含Iowa的额外基因注释。其他质量评估指标与限制条件源站未提供。
【引用与许可】
作者为The Cancer Genome Atlas Network，存放机构为Zenodo，发布时间为2026年。许可遵循TCGA/GDC开放获取数据使用条款。引用时应遵循该数据使用条款及相关要求，具体引用格式源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.23418110
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据集大小约 37.2 MB。
数据说明
Datamonger便携式BRCA1回归数据集，直接依据NCI基因组数据共享中心托管的官方TCGA Agilent Level 3档案制备。包含536个肿瘤样本（533个原发性和3个转移性），17,322个基因表达预测因子，以及作为响应变量y的BRCA1表达。测量值为经log2 lowess标准化的Cy5/Cy3比值，按基因符号合并。压缩CSV文件保留了官方数值精度和基因符号，保留了公共TCGA样本ID作为元数据，且不含缺失值。样本ID不包含在模型特征中。该队列与Iowa Biostatistics brca1匹配。此表示使用官方源测量值，省略了Iowa的额外基因注释。与Iowa制备的数值之间的最大绝对差异约为4.55e-8。官方基因符号SEP15被保留。源档案包含一个测量记录完全相同的重复样本，制备过程中已将其合并。正常和对照样本被排除，491个具有缺失肿瘤测量值的基因被排除。未应用额外的中心化、缩放或插补。包含复现脚本、来源信息和软件许可证。
感谢TCGA研究网络、北卡罗来纳大学癌症基因组特征描述中心以及NCI GDC。感谢爱荷华生物统计提供参考回归数据集，感谢Datamonger提供此便携式表示。记录的源政策依据允许在署名的情况下发布开放获取的GDC数据，并禁止试图重新识别参与者。未推断出SPDX许可证或公有领域奉献；请参阅README.md。准备脚本及随附文档使用LICENSE中的MIT许可证。TCGA测量数据保留README.md中描述的源特定数据使用条款。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
