TCGA-RNA-Seq

数据集获取（ModelScope）

方式一：MsDataset（Python）

# 前置依赖: pip install modelscope
from modelscope.msdatasets import MsDataset

ds = MsDataset.load("ai4s/TCGA-RNA-Seq", subset_name="default", split="train")
print(ds)

方式二：CLI（命令行）

pip install modelscope
modelscope download dataset ai4s/TCGA-RNA-Seq

数据集卡片摘录（源站）

数据集说明

综合​**：RNA测序数据（RNA-Seq）是 TCGA 的核心数据类型之一，为癌症机制探索、亚型划分和预后标志物筛选提供了基础。**

1. 背景介绍

TCGA（The Cancer Genome Atlas）项目是由美国国立癌症研究所（NCI）和国家人类基因组研究所（NHGRI）联合发起的癌症组学研究项目，旨在通过大规模测序和多组学技术揭示不同类型肿瘤的分子特征。其中，RNA测序数据（RNA-Seq）是 TCGA 的核心数据类型之一，为后续癌症机制探索、亚型划分和预后标志物筛选提供了基础。

UCSC Xena 是一个由加州大学圣克鲁兹分校开发的癌症数据可视化和下载平台，它对 TCGA 的原始 RNA-Seq 数据进行了统一整合和标准化处理，使研究者能够以可比性强的方式访问跨癌种的转录组数据。

2. 数据类型与处理流程

原始数据来源

• RNA-Seq 原始数据由 Illumina 平台测序，测序对象为 polyA+ mRNA。
• 测序样本主要包括肿瘤组织样本和部分对应的正常组织样本。

表达矩阵类型

| 表达单位 | 说明
| : | :- |
| HTSeq raw counts |基于 GENCODE 注释的原始基因计数值，适用于差异表达分析（如DESeq2）。|
| FPKM | 考虑基因长度和测序深度的标准化表达单位，适用于横向比较。|
| FPKM-UQ|在FPKM基础上进行上四分位数归一化，适用于横向比较与可视化。|
|log2(x + 1) |对FPKM-UQ数据进行log转换，常用于聚类、热图和生存分析。
| TPM（部分来源于GDC或Xena派生） |更适合在样本间进行表达强度比较。
UCSC Xena 平台通常提供 log2(FPKM-UQ + 1) 处理版本的数据作为默认下载格式。

注释版本与基因集

• GENCODE v22 是主要使用的基因注释版本。
• 包含全部编码基因（protein-coding）与部分长链非编码RNA（lncRNA）。
• 通常以 ENSEMBL ID 形式记录，同时提供基因名称映射。
• 所有表达矩阵与 phenotype 文件对齐，便于分析。

3. 样本覆盖范围

• ​覆盖33种癌症，包括​：
  | 缩写 | 中文名称 | 英文全称 | 系统分类 |
  | — | — | — | — |
  | ACC | 肾上腺皮质癌 | Adrenocortical carcinoma | 内分泌系统 |
  | BLCA | 膀胱尿路上皮癌 | Bladder Urothelial Carcinoma | 泌尿系统 |
  | BRCA | 乳腺浸润性癌 | Breast Invasive Carcinoma | 生殖系统 |
  | CESC | 宫颈鳞癌与腺癌 | Cervical Squamous Cell Carcinoma and Endocervical Adenocarcinoma | 生殖系统 |
  | CHOL | 肝外胆管癌 | Cholangiocarcinoma | 消化系统 |
  | COAD | 结肠腺癌 | Colon Adenocarcinoma | 消化系统 |
  | DLBC | 弥漫大 B 淋巴瘤 | Diffuse Large B-cell Lymphoma | 淋巴系统 |
  | ESCA | 食管癌 | Esophageal Carcinoma | 消化系统 |
  | GBM | 胶质母细胞瘤 | Glioblastoma Multiforme | 神经系统 |
  | HNSC | 头颈鳞癌 | Head and Neck Squamous Cell Carcinoma | 呼吸/消化交界区 |
  | KICH | 肾集合管癌

许可

Apache License 2.0

数据加载示例（表格/文本类）

import pandas as pd, glob, os

files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))

源站：modelscope.cn/datasets/ai4s/TCGA-RNA-Seq