GDC CGCI-HTMCP-LC：HIV+ 肿瘤分子特征项目 - 肺癌
数据包含临床、生物样本、RNA-Seq、WXS、甲基化和影像数据，分为开放与受控访问层级，共 39 例病例、1,184 个文件，总大小 22335.9 GB
基本信息
资源简介
GDC CGCI-HTMCP-LC：HIV+ 肿瘤分子特征项目 - 肺癌
GDC CGCI-HTMCP-LC（HIV+ Tumor Molecular Characterization Project - Lung Cancer）是一个聚焦于HIV阳性人群肺癌的肿瘤分子特征研究数据集，来源于NCI基因组数据共享平台（Genomic Data Commons，GDC），属于CGCI项目框架下的协调化癌症基因组学项目。该数据集以支气管和肺为主要原发部位，涵盖多种肿瘤类型，包括Neoplasms, NOS、Complex Epithelial Neoplasms、Adenomas and Adenocarcinomas、Paragangliomas and Glomus Tumors、Epithelial Neoplasms, NOS以及Squamous Cell Neoplasms等。数据集共收录39例病例、1,184个文件，总大小约22335.9 GB，内容涵盖临床信息、生物样本数据、RNA-Seq、全外显子测序（WXS）、甲基化数据及影像数据，并按照开放与受控访问两个层级进行管理，为研究HIV感染背景下肺癌的分子机制提供了重要的数据资源。
【数据集背景】
该数据集隶属于CGCI（Cancer Genome Characterization Initiative）项目，具体为HIV+ Tumor Molecular Characterization Project - Lung Cancer（HTMCP-LC）子项目。其核心目标是对HIV阳性患者的肺癌进行分子层面的系统刻画。原发部位明确为支气管和肺，疾病类型覆盖多种上皮性及腺性肿瘤。作为NCI基因组数据共享平台上的协调化癌症基因组学项目，该数据集遵循统一的临床、生物样本和基因组数据标准，旨在为HIV相关肺癌研究提供高质量、可复用的数据基础。
【数据内容】
数据集包含多种类型的数据：临床数据、生物样本数据、RNA-Seq数据、全外显子测序（WXS）数据、甲基化数据以及影像数据。这些数据共同构成了对39例病例的多维度分子与临床表征。文件总数为1,184个，总大小约22335.9 GB，反映出数据体量较大，尤其影像和测序原始数据可能占据主要存储空间。数据按照开放与受控访问两个层级进行划分，意味着部分数据可公开获取，而涉及敏感信息或受隐私保护的数据则需通过受控访问流程申请。
【采集与来源】
数据来源于portal.gdc.cancer.gov，即NCI基因组数据共享平台。该平台是国际公认的癌症基因组数据存储与共享基础设施，负责对来自不同研究项目的数据进行协调化处理。本数据集作为CGCI项目的一部分，其采集和整理遵循GDC的统一标准，确保临床、生物样本和基因组数据之间的关联性和互操作性。源站描述中未提供具体的样本采集时间、地点或伦理审批细节，这些信息需参考原始项目文档。
【适用场景】
该数据集适用于多种研究场景：一是探索HIV阳性人群中肺癌的分子特征，包括基因突变、表达谱和甲基化模式；二是比较HIV阳性与阴性肺癌患者之间的分子差异；三是开发或验证针对该特定人群的诊断、预后或治疗相关生物标志物；四是利用影像数据开展放射组学与分子数据的关联分析；五是作为公共数据资源用于方法学开发、数据整合或机器学习模型训练。由于数据分层开放，也可用于教学和培训。
【使用方法】
用户可通过GDC门户访问该数据集。开放访问层级的数据可直接下载或通过API获取；受控访问层级的数据需提交数据访问申请，经审批后方可获取。使用时应遵循GDC的数据使用协议，确保数据安全和隐私保护。对于大规模数据分析，建议使用GDC提供的分析工具或云端计算资源。具体的数据格式、文件命名规则和下载指南可参考GDC官方文档。源站未提供针对本数据集的特定分析流程或代码示例。
【质量与限制】
该数据集经过GDC的协调化处理，具有较高的标准化程度。然而，样本量相对有限（39例），可能限制统计功效和泛化能力。此外，数据仅针对HIV阳性肺癌患者，缺乏HIV阴性对照组，可能影响比较研究的开展。数据分层访问可能导致部分用户无法获取完整信息。源站未提供关于数据缺失率、批次效应或测序深度的具体质量指标，用户在使用前应自行评估数据适用性。
【引用与许可】
使用该数据集时，应遵循GDC的引用规范和数据使用政策。源站未提供具体的引用格式或许可条款细节，建议用户直接查阅GDC门户上的相关说明。受控访问数据的使用需遵守数据访问协议，确保符合伦理和法律要求。
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。
需登录公开下载
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。
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://portal.gdc.cancer.gov/projects/CGCI-HTMCP-LC
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 23983.03 GB。
数据说明
GDC项目CGCI-HTMCP-LC（HIV+肿瘤分子特征研究项目-肺癌）。原发部位：支气管和肺。疾病类型：肿瘤，NOS，复杂性上皮肿瘤，腺瘤和腺癌，副神经节瘤和血管球瘤，上皮性肿瘤，NOS。项目：CGCI。病例数：39。文件数：1,184。总大小：22335.9 GB。NCI基因组数据共享中心（Genomic Data Commons）协调的癌症基因组学项目（临床、生物样本、RNA测序、全外显子组测序、甲基化及影像数据；开放和受控访问层级）。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托三甲直采网络，提供合规、去标识化、支持注册级质控的专病数据集交易服务。
