OmicsBridge 多癌种 TCGA 临床与表达数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.23318320

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 21.11 GB。

数据说明

这些是OmicsBridge的数据集。OmicsBridge的源代码可在此处获取。文件00_Clinical_dataset.tar.gz — 用于临床数据分析模块的整理后的TCGA数据（34种癌症类型）。00_Expression_data_all.tar.gz（可选）— 用于试用OmicsBridge的示例数据集。OmicsBridge无需该数据集也可运行。使用方法：下载文件，解压缩，并将文件夹放置在OmicsBridge源代码所在的同一文件夹中。00_Clinical_dataset文件夹包含覆盖34种癌症类型的TCGA数据，已按照OmicsBridge的临床数据分析模块（基因表达、临床注释、生存和突变数据）进行格式化。完整的数据来源——来源、版本、确切的下载命令及所有修改——记录在OmicsBridge wiki和文件夹内的DATA_SOURCE.md中。00_Expression_data_all（可选）文件夹（可选）包含示例数据集，并包括以下四个子文件夹：CXCL10_LOF_CRISPR_screening包含由MAGeCK分析的CXCL10 LOF CRISPR筛选结果。

STK11KO_RNAseq 包含 STK11 敲除 RNA-seq 数据的结果，包括：标准化读数计数表、DEG 分析的结果文件。THP1_data_from_GSE201376 包含从 GSE201376 获取的经 IFNg 处理的 THP1 细胞的分析结果。该文件夹包括：来自 RNAseq 的标准化读数计数表、来自 ATACseq 的标准化读数计数表、来自 ATACseq 的 Bam/Bigwig/Bed 文件。scRNA_data 包含由 Seurat 分析的单细胞 RNA 测序数据的 RDS 文件，来源于两个公共数据集：GSE116256（用于 AML scRNA）和 GSE148071（用于肺癌 scRNA）。版本历史 v3（本版本）：基因表达数据（Gene_expression_RSEM.tsv.gz，全部 34 个队列）被整理为每位患者一个原发肿瘤样本。实体组织正常、复发、转移及额外样本被移除（11,966 → 10,999 个样本），否则同一患者会被重复计数

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。