PGC精神分裂症GWAS汇总统计数据集

资源简介

PGC精神分裂症GWAS汇总统计数据集

pgc-schizophrenia 是一个面向精神分裂症遗传学研究的公开数据集，收录了来自 Psychiatric Genomics Consortium（PGC）的精神分裂症表型全基因组关联研究（GWAS）汇总统计结果。数据按不同 GWAS 出版物组织为多个相互独立的子集（config），每个子集均可单独加载使用，便于研究者按需选取特定研究进行分析。数据集以 Parquet 列式格式分发，共包含 989 个数据文件，合计约 766.88 MB，规模处于千万至亿级记录区间，采用 CC BY 4.0 许可协议开放，适合遗传流行病学、统计遗传学及生物信息学方向的表格数据建模与二次分析。

【数据集背景】

全基因组关联研究通过在大规模样本中检验遗传变异与表型之间的统计关联，为解析复杂疾病的遗传基础提供依据。精神分裂症作为一种高遗传度的精神与行为障碍，其 GWAS 汇总统计是下游分析（如遗传力估计、多基因风险评分构建、孟德尔随机化等）的重要输入。本数据集汇集 PGC 发布的精神分裂症 GWAS 汇总统计，按出版物拆分为多个子集，使不同研究的结果可以在统一的数据接口下被分别访问与复用。数据集在本站归类为“精神与行为障碍 / 其他”。

【数据内容】

数据集的核心内容是精神分裂症表型的 GWAS 汇总统计，按不同出版物划分为多个 config，每个 config 对应一项独立研究，可单独加载。从文件组织看，数据以子集目录形式存放，例如 scz2011 子集下包含 train-00000-of-00138.parquet 至 train-00005-of-00138.parquet 等分片文件，表明单个子集内部也按分片方式存储。全部数据文件共 989 个，总体积约 766.88 MB。主题标签显示其任务类型涵盖表格回归与表格分类，模态包括表格与文本，语言为英文，数据格式为 Parquet。各子集的具体表型、期刊、年份、PubMed 编号与行数等明细，源站以表格形式列出，但未在可用信息中完整呈现。

【采集与来源】

数据来源于 Psychiatric Genomics Consortium（PGC），原始内容托管于 huggingface.co，源站标题为 tunahanf/pgc-schizophrenia。数据集发布时间为 2026-04-13。源站描述中给出了使用 datasets 库加载的方式，并说明可通过 get_dataset_config_names 获取全部可用子集名称，示例中展示了 scz2011 这一子集的加载方法。

【适用场景】

该数据集适用于精神分裂症遗传学相关的统计分析与机器学习建模，包括基于汇总统计的表格回归与表格分类任务，以及多研究结果的比较与整合分析。由于各子集可独立加载，研究者既可以针对单一出版物开展分析，也可以按需组合多个子集。英文语言环境与 Parquet 列式存储格式便于在常见数据分析流程中直接读取和处理。

【使用方法】

可通过 datasets 库加载指定子集，例如 load_dataset("OpenMed/pgc-schizophrenia", "scz2011")；也可先调用 get_dataset_config_names 获取全部子集名称后再选择加载。数据文件为 Parquet 格式，可按列式存储方式读取。建议先在小样本上核对字段与编码，确认无误后再批量接入完整数据。

【质量与限制】

源站未提供关于数据质量、缺失值处理、字段定义及版本更新策略的详细说明。各子集对应的表型、期刊、年份、PubMed 编号与行数等明细在源站以表格呈现，但可用信息中未完整给出，使用前应自行核对。数据集仅覆盖精神分裂症表型的 GWAS 汇总统计，不包含个体级基因型数据。

【引用与许可】

数据集采用 CC BY 4.0 许可协议，使用时需遵循该协议关于署名与共享的要求。原始研究来自 Psychiatric Genomics Consortium，具体各子集对应的出版物引用信息，源站未提供完整内容。