HM3_data 乳腺癌多组学数据集

数据集获取

源站：https://doi.org/10.21227/zq53-x362

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

BRCA-1（TCGA-BRCA子集）包含875个乳腺浸润性癌样本，涵盖五个临床定义亚型（Normal-like、Basal-like、HER2-enriched、Luminal A和Luminal B）；我们为mRNA和DNA甲基化选取方差最大的前1,000个特征，并在基于方差过滤后保留503个miRNA特征，同时根据PAM50亚型注释对样本进行划分，以用于下游预后预测任务。BRCA-2（TCGA-BRCA扩展子集）包含1,031个乳腺癌样本，涵盖与BRCA-1相同的五个亚型；经过标准预处理后，我们保留在样本间方差最高的1,608个mRNA特征、1,569个DNA甲基化位点和382个miRNA，该数据集具有中等程度的类别不平衡（不平衡比 = 2.793），为稳健的预后建模提供了贴近实际的测试平台。GBM（TCGA-GBM）包含263个多形性胶质母细胞瘤样本，分为四个分子亚型（Neural、Mesenchymal、Classical和Proneural）。

鉴于队列规模相对较小，我们保留了所有可用的mRNA（3,010）、甲基化（1,250）和miRNA（534）特征，未进行激进的降维，以保留足够的生物学信号用于图构建。ROSMAP（宗教修会研究与记忆与衰老项目）包含351份来自阿尔茨海默病（AD）确诊个体或神经学正常对照的死后脑组织样本；我们对每个样本的mRNA、DNA甲基化和miRNA模态进行了分析，并在低方差过滤后每个模态保留200个特征，该数据集作为域外基准，用于评估模型在肿瘤学应用之外的泛化能力。

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。