sigmutselcovs 协变量矩阵：TCGA-SKCM

数据集获取

源站：https://doi.org/10.5281/zenodo.23671795

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 686.0 MB。

数据说明

TCGA-SKCM（皮肤黑色素瘤）的预构建逐基因协变量矩阵；GTEx代表列采用日晒部位皮肤（小腿），因为皮肤黑色素瘤主要与日晒部位相关，而非避光部位——避光皮肤也在GTEx中映射，用于完整协变量矩阵。Roadmap eid为原代黑素细胞培养物（E059、E061），匹配黑色素瘤的起源细胞，而非127面板中同样存在的更广泛皮肤成纤维细胞/角质形成细胞表观基因组（E126/E127）。encode_chromatin（DNase）于2026-09-03核查（目标A.4），未添加：ENCODE唯一的黑素细胞DNase-seq实验为新生儿包皮或未指定生命阶段（ENCSR518JGY、ENCSR434OBM、ENCSR000ELD）——不存在成人样本，因此留空，而非使用年龄不匹配的替代样本。encode_chromatin细胞系于2026-09-07添加：SK-MEL-5和COLO829是真实的黑色素瘤细胞系（仅DNase-seq，原生GRCh38）——ENCODE没有成人黑素细胞DNase（见上文），但有黑色素瘤细胞系DNase，这是一种不同但真正疾病匹配的替代样本。通过Martincorena等人发现。

2017年的STAR Methods确认了dNdScv的矩阵是基于细胞系的。），使用sigmutselcovs构建：GTEx组织匹配的基因表达、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组蛋白标记以及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1140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 — 构建来源和PCA参数完整来源引用和方法学：SOURCES.md。发布日期2026-10-26。每个染色质和ATAC列i

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。