PRJNA236097：批次效应去除提升跨平台一致性微阵列基因表达分析

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA236097

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

微阵列是一种强大的技术，已广泛应用于全基因组基因表达分析。目前存在多种不同的微阵列技术，但由于缺乏标准化，比较和整合来自不同平台的数据颇具挑战性。此外，数据集内的批次相关偏差很常见，但在数据分析之前往往未得到解决，可能影响最终结果。在当前研究中，一组234个乳腺癌样本在两个不同的微阵列平台上进行了分析。目的是比较和评估来自我们内部29K阵列平台的基因表达测量数据与Agilent SurePrint G3微阵列平台数据的可重复性和准确性。29K数据集包含与制造过程相关的已知批次效应。我们在此展示，使用ComBat批次调整方法如何通过成功克服由制造批次和微阵列平台差异引起的系统技术变异，揭示真正的生物学信号。

配对相关分析显示，来自29K基因表达平台与Agilent SurePrint G3平台的数据具有高度一致性，且可通过ComBat批次校正进一步提高。研究发现，高变异基因在不同平台间表达具有高度可重复性。此外，在雌激素受体状态预测和乳腺癌内在分子亚型分类这两个重要临床参数上，均观察到高度一致性。总之，本研究强调了在比较和整合不同制备批次及微阵列平台数据时，采用适当批次校正方法以减少系统性技术偏倚的重要性。总体设计：本研究在一系列243例冷冻原发乳腺肿瘤样本上进行，样本取自欧登塞大学医院病理科生物样本库及Da

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。