基于基因表达谱预测乳腺癌亚型的可解释机器学习模型复现数据

数据集获取

源站：https://search.dataone.org/view/sha256%3Aa30eb9cf5815d2c17dd76f633cc957874c588b960903eb4567cb92697c562698

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

该数据集包含乳腺癌（BRCA）样本的基因表达数据，这些数据于2023年2月25日从癌症基因组图谱（TCGA）存储库中提取。数据集中所有非肿瘤样本均被移除，最终得到1，099个肿瘤样本，代表5种BRCA亚型：基底样型、Her-2型、Luminal-A型、Luminal-B型和正常样型。平均表达值低于0.04的特征也已从数据集中移除，在60，600个特征中保留了34，395个特征。最后，对基因表达值进行了log2转换。数据集根据特征类型进行了垂直划分，形成四个包含不同特征类型表达值的数据集。该数据集包含以下5个csv文件：1. dataL2.csv：1，099个肿瘤样本和34，395个特征。2. dataL2-mRNA.csv：1，099个肿瘤样本和16，967个特征（mRNA）。3. dataL2-mRNA.csv：1，099个肿瘤样本和624个特征（miRNA）。4. dataL2-mRNA.csv：1，099个肿瘤样本和8，291个特征（lncRNA）。5. dataL2-mRNA.csv：1，099个肿瘤样本和8，516个特征（otherRNA）。6.

labels.csv：1,099份肿瘤样本，带有亚型分类标签（标签0：基底样型194份样本，标签1：Her-2型82份样本，标签2：Luminal-A型：569份样本，标签3：Luminal-B型209份样本，正常样型40份样本。）

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。