乳腺癌胚系变异检测全外显子组测序数据集
该数据集包含来自16例临床确诊乳腺癌患者血液样本的全外显子组测序（WES）数据。基因组DNA从外周血中提取，经外显子捕获后在Illumina NextSeq 550平台完成测序
基本信息
资源简介
乳腺癌胚系变异检测全外显子组测序数据集
该数据集为一项聚焦乳腺癌胚系变异检测的全外显子组测序项目，收录于NCBI BioProject数据库，编号为PRJEB89352。数据集的核心样本来自16例经临床确诊的乳腺癌患者，研究人员从其外周血中提取基因组DNA，经过外显子捕获处理后，在Illumina NextSeq 550测序平台上完成全外显子组测序。该项目的目标在于识别与乳腺癌易感性相关的胚系变异，并为相关研究提供参考。数据集在分类上归属于肿瘤／乳腺癌方向，主题标签为“Other”，其源站记录提供了指向该项目所生成多种数据类型的统一入口，便于使用者集中获取和关联检索。
【数据集背景】
乳腺癌是严重威胁女性健康的常见恶性肿瘤之一，其发生发展与遗传易感性密切相关。胚系变异，即存在于个体生殖细胞中的遗传性变异，是评估乳腺癌遗传风险的重要研究对象。通过全外显子组测序技术，可以对外显子区域——即基因组中编码蛋白质的关键部分——进行系统性扫描，从而发现可能与疾病易感性相关的变异位点。本项目正是在这一研究背景下设立，旨在通过对临床确诊乳腺癌患者血液样本的测序分析，识别与乳腺癌易感性相关的胚系变异，为后续的遗传机制研究和风险评价提供数据基础。该项目以BioProject形式组织，体现了围绕单一研究目标汇聚多种数据类型的管理思路。
【数据内容】
该数据集的主体内容是16例临床确诊乳腺癌患者的全外显子组测序数据。测序对象为从患者外周血样本中提取的基因组DNA，经过外显子捕获富集后上机测序。测序平台为Illumina NextSeq 550。全外显子组测序的覆盖范围集中于基因组的外显子区域，因此该数据集所包含的信息主要针对蛋白质编码区及其邻近区域的序列变异。数据集围绕胚系变异检测这一目标组织，样本来源明确为血液，属于胚系层面的遗传信息。除上述内容外，关于数据的具体文件格式、数据量大小、变异位点数量、测序深度等细节，源站未提供。
【采集与来源】
该数据集的样本采集自16例经临床确诊的乳腺癌患者。研究人员从患者外周血中分离提取基因组DNA，随后进行外显子捕获和测序文库构建，最终在Illumina NextSeq 550平台上完成测序。数据来源于ncbi.nlm.nih.gov的BioProject数据库，项目编号为PRJEB89352。BioProject作为生物数据的集合记录，通常由单一机构或联合体发起，旨在为用户提供统一入口，以便查找同一项目下产生的多种数据类型。该数据集在分类上属于肿瘤／乳腺癌方向，主题标签为“Other”。关于样本采集的具体时间、地点、机构名称以及伦理审批信息，源站未提供。
【适用场景】
基于其内容与设计，该数据集可适用于以下研究方向：乳腺癌胚系易感变异的识别与筛选；乳腺癌遗传风险评估相关的方法学探索；全外显子组测序数据在肿瘤遗传研究中的应用与验证；以及作为乳腺癌胚系变异研究的参考数据集，用于与其他队列或数据集的比较分析。由于数据来自临床确诊的乳腺癌患者血液样本，其胚系属性使其适合用于研究遗传性变异而非体细胞突变。此外，该数据集也可为外显子捕获与Illumina NextSeq 550平台测序流程的数据分析提供实践素材。关于该数据集是否适用于其他特定研究目的，源站未提供明确说明。
【使用方法】
该数据集以BioProject记录的形式发布，用户可通过NCBI BioProject数据库检索项目编号PRJEB89352进行访问。BioProject记录的设计目的是为用户提供一个集中位置，以查找该项目所生成的多种数据类型及其相关链接。使用者可根据源站提供的链接进一步获取测序数据文件，并结合全外显子组测序数据的常规分析流程进行处理，例如序列比对、变异识别与注释、胚系变异过滤等。由于该数据集聚焦于乳腺癌胚系变异检测，分析时可重点关注与乳腺癌易感性相关的基因区域。关于数据的具体下载方式、文件格式、分析工具推荐及操作步骤，源站未提供。
【质量与限制】
该数据集基于临床确诊的乳腺癌患者样本，采用外周血基因组DNA进行全外显子组测序，测序平台为Illumina NextSeq 550，样本量为16例。全外显子组测序的固有特点决定了其信息覆盖范围主要限于外显子区域，对非编码区、深内含子区及大范围结构变异的检测能力有限。此外，该数据集样本量较小，仅包含16例患者，在统计功效和群体代表性方面可能存在局限。关于测序深度、覆盖均一性、数据质量评分、变异验证情况以及样本的具体临床特征等信息，源站未提供。使用者在使用该数据集时，应结合自身研究目的充分考虑上述潜在限制。
【引用与许可】
该数据集来源于ncbi.nlm.nih.gov的BioProject数据库，项目编号为PRJEB89352，源站标题为“Germline Variant Detection in Breast Cancer via Wh... (ID 1260392) - BioProject - NCBI”。关于该数据集的引用方式、许可条款、使用限制以及数据共享政策，源站未提供。使用者在引用或使用该数据集时，应直接访问源站记录以获取最新的引用与许可信息。
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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
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://ncbi.nlm.nih.gov/bioproject/PRJEB89352
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
使用BWA MEM等高通量测序工具，将16个乳腺癌DNA序列与hg38参考基因组进行比对。随后对每个样本进行变异检测，生成包含遗传变异信息的个体VCF文件，这些变异包括单核苷酸多态性SNPs和插入缺失indels。基于覆盖深度、等位基因频率和质量评分等因素，对这些VCF文件进行过滤，去除低质量变异。之后，利用GATK等工具将过滤后的VCF文件转换为gVCF格式，保留变异和非变异位置，以实现全面的基因组表示。生成gVCF文件后，将变异分为SNPs和indels，以便进行针对性分析。随后，对SNP和indel集合进行ANNOVAR注释，利用广泛的数据库深入解析变异信息。这些数据库包括用于基因注释的RefGene、用于SNP功能预测的dbNSFP v4.7a、用于变异临床解读的InterVar 20180118、用于群体频率数据的Kaviar v5.0，以及用于注释结构变异和基因组重排的AbraOM。
此外，MCAP和REVEL被用于评估变异的致病性，而dbSNP v150则提供了基于人群的变异频率信息。临床显著变异与ClinVar 20240917进行交叉比对，以识别已知的致病变异。最后，RegSNPintron被用于注释内含子变异的调控潜力。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
