CPTAC3患者RNA、蛋白与DNA甲基化一致化处理并整合数据集
这是一个针对CPTAC3患者数据集的RNA、CpG和蛋白质数据集合。我们在几项研究中使用过它，并意识到它可能对其他人有用
基本信息
资源简介
CPTAC3患者RNA、蛋白与DNA甲基化一致化处理并整合数据集
该数据集整合了CPTAC3患者队列的RNA表达、CpG甲基化与蛋白质数据，经过一致化处理与连接，形成可供多组学联合分析使用的资源。其英文名称为“RNA, protein and DNA methylation consistently processed and joined for CPTAC3 patients”，在站内归入肿瘤/白血病分类，来源站为doi.org，由Mora, Ariane与Schmidt, Christina完成，机构为Zenodo，发布时间为2023年，采用Creative Commons Attribution 4.0 International许可。数据集覆盖CPTAC3研究中的多种癌症类型，旨在为研究者提供已经过统一处理流程的转录组、甲基化与蛋白质定量信息，便于开展跨组学关联研究。
【数据集背景】
该数据集源于CPTAC3患者数据集，作者在若干研究中使用了这些数据，并意识到其可能对其他研究者具有价值，因此将其整理发布。CPTAC3研究本身包含多个癌症队列，原始数据分散于不同平台与文件类型中。为了便于复用，作者对来自CPTAC门户的蛋白质数据以及来自TCGA的基因表达和DNA甲基化数据进行了筛选、下载与连接，形成统一的数据集合。数据下载日期为2023年7月18日。
【数据内容】
数据集包含三类组学数据：RNA数据、CpG数据与蛋白质数据。蛋白质数据为经过CPTAC数据处理流程处理与归一化后的蛋白质汇总文件；基因表达数据为转录组profiling计数数据；DNA甲基化数据为甲基化芯片数据。临床与生物样本数据也随蛋白质汇总文件一并下载。所有数据均针对CPTAC3患者数据集，并经过一致化处理与连接，以便在同一患者层面进行多组学整合。
【采集与来源】
数据来源包括CPTAC门户与TCGA。具体而言，作者从CPTAC门户下载了所有CPTAC3研究的数据，筛选条件为至少包含五个病例且包含蛋白质组装的研究。对于这些研究，下载了临床与生物样本数据以及蛋白质汇总文件。伴随的基因表达与DNA甲基化数据则从TCGA下载，选择CPTAC3数据，并过滤为实体组织正常样本或原发肿瘤样本，同时选择转录组profiling计数数据与DNA甲基化芯片。癌症类型经过过滤，仅纳入部分原发疾病，源站描述在此处未完整列出具体癌种。
【适用场景】
该数据集适用于需要同时分析RNA表达、DNA甲基化与蛋白质丰度的多组学研究，尤其适合探索跨组学调控关系、验证生物标志物或开展泛癌分析。由于数据已经过一致化处理与连接，使用者可以避免重复的预处理步骤，直接在同一患者标识下进行关联分析。此外，临床与生物样本数据的附带提供，也支持结合临床特征进行分组比较或生存相关分析。
【使用方法】
使用者可依据Creative Commons Attribution 4.0 International许可获取数据，并在遵守署名要求的前提下使用。数据以患者为单位连接了RNA、CpG与蛋白质信息，因此分析时可按患者标识合并不同组学层。对于蛋白质数据，可直接使用CPTAC数据处理流程产出的归一化汇总文件；对于基因表达与甲基化数据，则使用TCGA来源的计数数据与芯片数据。由于数据下载于2023年7月18日，使用者应注意版本时效性。
【质量与限制】
数据经过CPTAC数据处理流程与一致化连接，具备较好的可比性。但源站未提供关于样本量、缺失率、批次效应校正效果或具体癌种列表的详细信息。此外，数据仅涵盖至少五个病例且包含蛋白质组装的研究，可能未覆盖CPTAC3全部队列。使用者需自行评估数据对其研究问题的适用性。
【引用与许可】
使用该数据集时应遵循Creative Commons Attribution 4.0 International许可，并引用作者Mora, Ariane与Schmidt, Christina，机构Zenodo，发布时间2023年。具体引用格式与DOI信息源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.8284067
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据集大小约 20.84 GB。
数据说明
这是一个包含CPTAC3患者数据集的RNA、CpG和蛋白质数据的数据集。我们在几项研究中使用了它，并意识到它可能对其他人有用。泛癌数据选择：从CPATC门户下载了所有CPTAC3研究的数据，具体而言，是那些至少有五个病例并包含蛋白质组装的研究。对于这些研究，临床和生物样本数据与蛋白质汇总文件一起下载，该文件包含通过CPTAC数据处理流程处理和标准化的蛋白质数据。伴随的基因表达和DNA甲基化数据是从TCGA下载的，通过选择CPTAC3数据，筛选实体组织正常样本或原发肿瘤样本、转录组测序计数数据和DNA甲基化阵列。数据下载于2023年7月18日。
对癌症进行了筛选，仅纳入以下原发性疾病：急性髓系白血病、乳腺浸润性癌、透明细胞肾细胞癌、头颈部鳞状细胞癌、肺腺癌、肺鳞状细胞癌、胰腺导管腺癌、子宫体子宫内膜癌，剔除与原发性疾病无关的样本或描述不清的分类，如“非透明细胞肾细胞癌”。在所选癌症中，仅透明细胞肾细胞癌、头颈部鳞状细胞癌、肺腺癌、肺鳞状细胞癌、胰腺导管腺癌、子宫体子宫内膜癌具有RNAseq和DNA甲基化数据。如果病例在CPTAC和TCGA门户网站提供的临床信息中有记录，则保留该癌症的病例。肿瘤分期被合并为四种肿瘤分期分类：1）“TumorStage”，I期（I期、IA期、IB期、IA3期）、II期（II期、IIA期、IIB期）、III期（III期、IIIA期、IIIB期）和IV期（IV期、IVA期、IVB期）。该分类进一步分为早期
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
