sigmutselcovs 协变量矩阵：TCGA-CHOL

数据集获取

源站：https://doi.org/10.5281/zenodo.23667271

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 68.2 MB。

数据说明

TCGA-CHOL（胆管癌）的预构建按基因协变量矩阵。GTEx映射至Liver/Liver_Portal_Tract；Roadmap和repliseq均使用肝组织/肝细胞系来源（E066原代肝脏，E118/HepG2肝细胞系），因为这两个资源中均不存在胆管特异性的表观基因组或细胞系——HepG2是肝细胞系，而非胆管细胞，因此这是现有最佳的器官层面替代，而非细胞类型匹配，与CESC使用HeLa-S3的注意事项模式相同。HepG2也属于ENCODE的UW 6分级Repli-seq队列（与MCF-7/HeLa-S3相同的检测方法家族），全部6个分级均存在。encode_chromatin于2026-09-03添加（expanded-covariate-sources任务，目标A.4）：成人原代肝组织DNase-seq（非HepG2——与上述标记/repliseq相同的器官层面替代注意事项，但在该检测方法存在组织样本时使用的是真实组织样本而非细胞系）。

编码染色质细胞系于2026-09-07新增：HuH-7和HuH-7.5（DNase-seq，原生GRCh38）是肝细胞癌细胞系，与上文的HepG2不同——仍存在与HepG2在Roadmap/Repli-seq中使用时相同的器官层面（肝脏，而非胆管）替代性警示，但增加了两个独立的肝癌细胞系开放染色质信号。该信息通过Martincorena等人2017年STAR Methods确认dNdScv的矩阵基于细胞系而发现。），使用sigmutselcovs构建：GTEx组织匹配基因表达、TCGA每样本基因表达、复制时序（平均复制时间和CLR变换的S期分数）、Roadmap Epigenomics组蛋白修饰，以及TCGA ATAC-seq可及性，以Ensembl基因ID为索引。文件：cov_matrix_full.parquet — 完整矩阵（所有协变量列）cov_matrix_pca.parquet — 经PCA降维至68个成分，这是达到99%累积解释方差的最小数量（见pca_manifest.json）cov_matrix_columns.csv — 数据字典：完整矩阵每列一行，包含来源、描述、组装和单位build_manifest.json、pca_manifest.json — 构建过

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。