美国国家癌症研究所癌症基因组表征计划 (CGCI)

数据集获取

源站：https://omicsdi.org/dataset/ega/phs000235.v3.p1

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

美国国家癌症研究所癌症基因组学办公室正在资助一系列研究，作为癌症基因组特征描述计划（CGCI）的一部分，旨在评估癌症领域新兴的测序技术。CGCI计划包括对不同儿童和/或成人肿瘤中发现的基因异常进行全面特征描述。CGCI目前正在对非霍奇金淋巴瘤（包括弥漫性大B细胞淋巴瘤（DLBCL）和滤泡性淋巴瘤（FL））以及髓母细胞瘤（MB）进行特征描述，未来还将对更多癌症类型进行特征描述。这些项目的所有数据都将发布到可公开访问的数据库中，其中大部分数据处于开放获取层级。由于患者隐私方面的考虑，一部分数据将仅通过受控访问层级提供。按疾病划分的项目描述如下：非霍奇金淋巴瘤（NHL）——综合来看，淋巴系统癌症（非霍奇金淋巴瘤、霍奇金淋巴瘤、骨髓瘤和慢性淋巴细胞白血病）在北美男性和女性中均构成第四大常见恶性肿瘤。

淋巴瘤通常具有特征性的异常染色体，包括易位，这表明突变与NHL的发生和发展方式相关。本项目通过对一组特征明确的具体肿瘤进行详细分析，提供一份针对淋巴瘤类型特异且各类型共有的基因组改变的候选清单。由此产生的数据集将促进对临床行为、治疗反应、患者结局与生存以及治疗药物靶向通路的研究。CGCI研究人员正在利用最先进的RNA测序（mRNA-seq）和全基因组鸟枪法测序（WGS），结合前沿的生物信息学、数据管理和分析方法，比以往更深入地探究基因组改变。具体而言，他们使用第二代测序技术来调查NHL中的体细胞突变、染色体改变和表达

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。