TCGA表达探索器：五个TCGA队列的三代RNA-seq表达矩阵与样本注释

数据集获取

源站：https://doi.org/10.5281/zenodo.22670234

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。

数据集大小约 1.25 GB。

数据说明

本数据存放包含TCGA Expression Explorer（https://5spgm.github.io/tcga-expression-explorer/）所依据的表达矩阵、样本注释和下载来源信息。该网络工具可针对单个基因，并排展示同一批TCGA样本经三个 successive RNA-seq流程定量后的表达分布。为何存放这些数据：GDC在Data Release 32（2022）中以STAR-Counts取代了HTSeq工作流程，而原TCGA数据协调中心发布的分布（RNASeqV2 normalized_count）早于GDC harmonisation。这三代数据在尺度上不同，且对个别基因而言分布形状也不同，因此从旧版数据获得的结果无法与当前GDC门户返回的结果直接比较。中间产物HTSeq FPKM / FPKM-UQ文件已不再通过当前GDC门户分发，无法简单地重新下载。本数据存放保留了获取时的全部三代数据，以及逐样本对齐它们所需的注释信息。

世代 已弃用的前TCGA数据协调中心（cancergenome.nih.gov，现已关闭）：UNC IlluminaHiSeq RNASeqV2 normalized_count（MapSplice2 + RSEM）。基因标识符：SYMBOL|EntrezID 中期 NCI GDC HTSeq FPKM-UQ（数据发布15-31）；无版本Ensembl基因ID。仅乳腺癌：HTSeq FPKM由UCSC Xena GDC中心以log2(FPKM+1)形式重新分发；有版本Ensembl ID。 新版 NCI GDC STAR-Counts TPM（数据发布32及以后）；有版本Ensembl基因ID，含gene_name和gene_type列。内容 matrix/ 15个gzip压缩的TSV文件（1.2 GB），每个队列和世代一个，按获取原样存放 sample_annotation/ 每个队列一个TSV加一个README：patient_id、sample_type_code、group（Tumor / Normal / TumorExtra）、样本出现的世代、各世代使用的条形码以及亚型分配 provenance/ 38个文件：GDC样本表和清单，以及遗留TCGA DCC文件列表，均为下载时记录（文件数据

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。