MD Anderson 乳腺癌数据集
该数据集是为以下研究中的分析而开发的：我们使用高分辨率寡核苷酸比较基因组杂交（CGH）阵列和匹配的基因表达阵列数据来识别失调基因，并根据基因拷贝数异常对乳腺癌进行分类
基本信息
资源简介
MD Anderson 乳腺癌数据集
MD Anderson Breast Cancer 数据集面向乳腺癌基因组变异与基因表达分析，来源于 synapse.org，在本站归类于肿瘤 / 乳腺癌方向。该数据集为一项特定研究中的分析工作而建立，核心思路是结合高分辨率寡核苷酸比较基因组杂交（CGH）阵列与匹配的基因表达阵列数据，识别失调基因，并依据基因拷贝数异常对乳腺癌进行分类。研究对象为接受术前化疗的 II-III 期乳腺癌患者，DNA 取自治疗前的细针穿刺样本。整体来看，该数据集同时包含拷贝数变异和基因表达两个层面的信息，可用于探索乳腺癌中基因拷贝数异常与表达失调之间的关系，并帮助发现潜在的治疗靶点。
【数据集背景】
该数据集是为一项研究中的分析而开发的。研究使用高分辨率寡核苷酸比较基因组杂交（CGH）阵列和匹配的基因表达阵列数据，旨在识别失调基因，并根据基因拷贝数异常对乳腺癌进行分类。研究对象为 II-III 期乳腺癌患者，这些患者接受了术前化疗，样本采集时间为治疗前。通过将拷贝数层面的异常与基因表达层面的信息结合，该研究希望从基因组结构变异的角度理解乳腺癌的分子特征，并进一步筛选可能与治疗相关的靶点。
【数据内容】
数据集包含两类主要数据。第一类是比较基因组杂交数据，使用 Agilent Human 4 x 44K 阵列对 106 例治疗前细针穿刺的 II-III 期乳腺癌样本进行 CGH 检测。第二类是基因表达数据，使用 Affymetrix U133A 基因芯片，在 103 例患者中可获得。研究中对每个肿瘤的拷贝数异常数量进行了统计，平均为 76 个，范围在 1 至 318 之间。此外，在超过 20% 的样本中分别鉴定出 11 个和 37 个不同的最小常见获得区域和丢失区域。研究还识别出若干潜在治疗靶点，其中包括 FGFR1。
【采集与来源】
样本来自 106 例 II-III 期乳腺癌患者的治疗前细针穿刺，这些患者均接受术前化疗。DNA 从这些穿刺样本中提取，用于 CGH 检测。CGH 使用 Agilent Human 4 x 44K 阵列完成。基因表达数据则通过 Affymetrix U133A 基因芯片生成，覆盖 103 例患者。数据集来源站为 synapse.org。除上述信息外，源站未提供更详细的采集地点、时间跨度、伦理审批或样本处理流程等信息。
【适用场景】
该数据集适用于乳腺癌基因组变异与基因表达关联分析，尤其适合研究基因拷贝数异常如何影响基因表达，以及如何据此对乳腺癌进行分类。由于包含治疗前样本及术前化疗背景，该数据集也可用于探索与化疗相关的潜在分子标志物或治疗靶点。研究中识别出的最小常见获得或丢失区域，以及包括 FGFR1 在内的潜在治疗靶点，可作为后续功能验证或靶向治疗研究的候选方向。此外，该数据集可用于方法学比较，例如高分辨率 CGH 与表达谱联合分析在肿瘤分类中的应用。
【使用方法】
该数据集可结合 CGH 阵列数据和基因表达芯片数据进行整合分析。CGH 数据可用于识别每个肿瘤中的拷贝数获得和丢失区域，并统计拷贝数异常数量；表达数据可用于评估相应基因的表达水平。通过将拷贝数异常与表达变化进行匹配，可以识别因拷贝数改变而失调的基因。研究中对多重比较进行了 P 值校正，因此在使用时应注意统计校正方法。对于最小常见区域和潜在靶点的分析，可基于超过 20% 样本中出现获得或丢失的区域进行筛选。具体的数据格式、预处理步骤、归一化方法和分析代码，源站未提供。
【质量与限制】
该数据集基于 106 例 CGH 样本和 103 例表达样本，样本量有限，且研究对象为 II-III 期接受术前化疗的乳腺癌患者，因此结论外推需谨慎。研究中所有 P 值均针对多重比较进行了校正，这有助于控制假阳性，但具体校正方法未在源站描述中说明。拷贝数异常数量在不同肿瘤间差异较大，平均为 76 个，范围 1 至 318，提示肿瘤间异质性明显。此外，源站未提供样本的临床病理特征、随访信息、测序深度、数据质量控制指标或缺失值处理方式，这些限制可能影响数据集的再利用和结果解释。
【引用与许可】
该数据集来源于 synapse.org。源站未提供具体的引用格式、许可协议或使用限制信息。如需使用，建议访问源站查看相关条款。除来源站信息外，源站未提供作者列表、发表文献、DOI 或数据共享政策等细节。
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。
需登录公开下载
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。
暂未开放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://synapse.org/Synapse:syn47252
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:
数据说明
该数据集是为以下研究中的分析而开发的：我们使用高分辨率寡核苷酸比较基因组杂交（CGH）芯片和匹配的基因表达芯片数据，以识别失调基因并根据基因拷贝数异常对乳腺癌进行分类。DNA是从106例接受术前化疗的II-III期乳腺癌患者的治疗前细针穿刺样本中提取的。CGH使用Agilent Human 4 x 44K芯片完成。103例患者还拥有使用Affymetrix U133A基因芯片生成的基因表达数据。所有P值均经过多重比较校正。单个肿瘤中拷贝数异常的平均数量为76（范围1-318）。在超过20%的样本中，分别有11个和37个不同的最小常见区域发生获得或缺失。我们识别出了几个潜在的治疗靶点，包括在10%的病例中显示高水平扩增的FGFR1。DNA拷贝数与mRNA表达水平之间检测到密切相关性。DNA拷贝数畸变的非负矩阵分解（NMF）聚类在该数据集中揭示了三个不同的分子类别。
NMF I类以三阴性癌症高发率（64%）和6p21增益为特征。VEGFA、E2F3和NOTCH4也在29%至34%的三阴性肿瘤中呈现增益。在52%的NMF II类中观察到ERBB2基因增益，而III类则以雌激素受体阳性肿瘤高发率（73%）和对术前化疗病理完全缓解率低（3%）为特征。本研究识别了能够对乳腺癌进行分类的失调基因，这些基因可能成为癌症分子亚型的新治疗靶点。aCGH数据也可从Array Express获取：E-TABM-484。表达数据也可从MD Anderson网站以MDA133获取（http://bioinformatics.mdanderson.org/pubdata.html）。
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。
