cosmic-database

COSMIC 数据库

概述

COSMIC（癌症体细胞突变目录）是全球最大、最全面的人类癌症体细胞突变探索数据库。以编程方式访问 COSMIC 丰富的癌症基因组数据，包括数百万条涉及数千种癌症类型的突变、整理汇总的基因列表、突变特征和临床注释。

何时使用此技能

在以下情况下应使用此技能：

• 从 COSMIC 下载癌症突变数据
• 访问 Cancer Gene Census，获取整理汇总的癌症基因列表
• 获取突变特征谱
• 查询结构变异、拷贝数改变或基因融合
• 分析耐药突变
• 处理癌细胞系基因组数据
• 将癌症突变数据集成到生物信息学工作流中
• 研究癌症背景下的特定基因或突变

前提条件

账户注册

COSMIC 下载数据需要身份验证：

• 学术用户：在 https://cancer.sanger.ac.uk/cosmic/register 注册后可免费访问
• 商业用户：需要许可证（联系 QIAGEN）

Python 要求

pip install requests pandas

快速入门

1. 下载基本文件

使用 scripts/download_cosmic.py 脚本下载 COSMIC 数据文件：

from scripts.download_cosmic import download_cosmic_file

# Download mutation data
download_cosmic_file(
    email="[email protected]",
    password="your_password",
    filepath="GRCh38/cosmic/latest/CosmicMutantExport.tsv.gz",
    output_filename="cosmic_mutations.tsv.gz"
)

2. 命令行用法

# Download using shorthand data type
python scripts/download_cosmic.py [email protected] --data-type mutations

# Download specific file
python scripts/download_cosmic.py [email protected] \
    --filepath GRCh38/cosmic/latest/cancer_gene_census.csv

# Download for specific genome assembly
python scripts/download_cosmic.py [email protected] \
    --data-type gene_census --assembly GRCh37 -o cancer_genes.csv

3. 处理已下载的数据

import pandas as pd

# Read mutation data
mutations = pd.read_csv('cosmic_mutations.tsv.gz', sep='\t', compression='gzip')

# Read Cancer Gene Census
gene_census = pd.read_csv('cancer_gene_census.csv')

# Read VCF format
import pysam
vcf = pysam.VariantFile('CosmicCodingMuts.vcf.gz')

可用数据类型

核心突变

下载全面的突变数据，包括点突变、插入缺失和基因组注释。

常见数据类型：

• mutations - 完整的编码区突变（TSV 格式）
• mutations_vcf - VCF 格式的编码区突变
• sample_info - 样本元数据和肿瘤信息

# Download all coding mutations
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="GRCh38/cosmic/latest/CosmicMutantExport.tsv.gz"
)

Cancer Gene Census

访问由专家整理汇总的约 700 多个癌症基因列表，这些基因有大量证据表明与癌症有关。

# Download Cancer Gene Census
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="GRCh38/cosmic/latest/cancer_gene_census.csv"
)

使用场景：

• 识别已知癌症基因
• 根据癌症相关性筛选变异
• 了解基因作用（癌基因还是肿瘤抑制基因）
• 为研究选择靶基因

突变特征

下载用于突变特征分析的特征谱。

# Download signature definitions
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="signatures/signatures.tsv"
)

特征类型：

• 单碱基替换（SBS）特征
• 双碱基替换（DBS）特征
• 插入/缺失（ID）特征

结构变异和融合

访问基因融合数据和结构重排数据。

可用数据类型：

• structural_variants - 结构断点
• fusion_genes - 基因融合事件

# Download gene fusions
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="GRCh38/cosmic/latest/CosmicFusionExport.tsv.gz"
)

拷贝数和表达

获取拷贝数改变和基因表达数据。

可用数据类型：

• copy_number - 拷贝数增加/丢失
• gene_expression - 过表达/低表达数据

# Download copy number data
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="GRCh38/cosmic/latest/CosmicCompleteCNA.tsv.gz"
)

耐药突变

访问带有临床注释的耐药突变数据。

# Download resistance mutations
download_cosmic_file(
    email="[email protected]",
    password="password",
    filepath="GRCh38/cosmic/latest/CosmicResistanceMutations.tsv.gz"
)

处理 COSMIC 数据

基因组版本

COSMIC 提供两个参考基因组版本的数据：

• GRCh38（推荐，当前标准）
• GRCh37（旧版，适用于较早的工作流）

在文件路径中指定基因组版本：

# GRCh38 (recommended)
filepath="GRCh38/cosmic/latest/CosmicMutantExport.tsv.gz"

# GRCh37 (legacy)
filepath="GRCh37/cosmic/latest/CosmicMutantExport.tsv.gz"

版本管理

• 在文件路径中使用 latest，以始终获取最新版本
• COSMIC 每季度更新一次（当前版本：v102，2025 年 5 月）
• 为确保可复现性，可以使用特定版本：v102、v101 等

文件格式

• TSV/CSV：以制表符/逗号分隔，使用 gzip 压缩，可用 pandas 读取
• VCF：标准变异格式，可搭配 pysam、bcftools 或 GATK 使用
• 所有文件均包含描述列内容的表头

常见分析模式

按基因筛选突变：

import pandas as pd

mutations = pd.read_csv('cosmic_mutations.tsv.gz', sep='\t', compression='gzip')
tp53_mutations = mutations[mutations['Gene name'] == 'TP53']

按作用识别癌症基因：

gene_census = pd.read_csv('cancer_gene_census.csv')
oncogenes = gene_census[gene_census['Role in Cancer'].str.contains('oncogene', na=False)]
tumor_suppressors = gene_census[gene_census['Role in Cancer'].str.contains('TSG', na=False)]

按癌症类型提取突变：

mutations = pd.read_csv('cosmic_mutations.tsv.gz', sep='\t', compression='gzip')
lung_mutations = mutations[mutations['Primary site'] == 'lung']

处理 VCF 文件：

import pysam

vcf = pysam.VariantFile('CosmicCodingMuts.vcf.gz')
for record in vcf.fetch('17', 7577000, 7579000):  # TP53 region
    print(record.id, record.ref, record.alts, record.info)

数据参考

有关 COSMIC 数据结构、可用文件和字段说明的全面信息，请参阅 references/cosmic_data_reference.md。此参考文档包括：

• 可用数据类型和文件的完整列表
• 各文件类型的详细字段说明
• 文件格式规范
• 常见文件路径和命名约定
• 数据更新计划和版本管理
• 引用信息

在以下情况下使用此参考文档：

• 探索 COSMIC 中有哪些可用数据
• 了解特定字段的含义
• 确定某种数据类型的正确文件路径
• 规划使用 COSMIC 数据的分析工作流

辅助函数

下载脚本包含用于常见操作的辅助函数：

获取常见文件路径

from scripts.download_cosmic import get_common_file_path

# Get path for mutations file
path = get_common_file_path('mutations', genome_assembly='GRCh38')
# Returns: 'GRCh38/cosmic/latest/CosmicMutantExport.tsv.gz'

# Get path for gene census
path = get_common_file_path('gene_census')
# Returns: 'GRCh38/cosmic/latest/cancer_gene_census.csv'

可用快捷方式：

• mutations - 核心编码突变
• mutations_vcf - VCF 格式的突变
• gene_census - 癌症基因普查
• resistance_mutations - 耐药数据
• structural_variants - 结构变异
• gene_expression - 表达数据
• copy_number - 拷贝数改变
• fusion_genes - 基因融合
• signatures - 突变特征
• sample_info - 样本元数据

故障排除

身份验证错误

• 确认邮箱和密码正确
• 确保账号已在 cancer.sanger.ac.uk/cosmic 注册
• 检查你的使用场景是否需要商业许可证

找不到文件

• 确认文件路径正确
• 检查所请求的版本是否存在
• 使用 latest 获取最新版本
• 确认基因组组装版本（GRCh37 或 GRCh38）正确

大文件下载

• COSMIC 文件可能有数 GB 大小
• 确保有足够的磁盘空间
• 下载时间可能因网络连接状况而需要几分钟
• 脚本会显示大文件的下载进度

商业用途

• 商业用户必须通过 QIAGEN 获取 COSMIC 许可
• 联系方式：[email protected]
• 学术用户可免费访问，但需要注册

与其他工具集成

COSMIC 数据可与以下工具良好集成：

• 变异注释：VEP、ANNOVAR、SnpEff
• 特征分析：SigProfiler、deconstructSigs、MuSiCa
• 癌症基因组学：cBioPortal、OncoKB、CIViC
• 生物信息学：Bioconductor、TCGA 分析工具
• 数据科学：pandas、scikit-learn、PyTorch

其他资源

• COSMIC 网站：https://cancer.sanger.ac.uk/cosmic
• 文档：https://cancer.sanger.ac.uk/cosmic/help
• 发布说明：https://cancer.sanger.ac.uk/cosmic/release_notes
• 联系：[email protected]

引用

使用 COSMIC 数据时，请引用： Tate JG, Bamford S, Jubb HC, et al. COSMIC: the Catalogue Of Somatic Mutations In Cancer. Nucleic Acids Research. 2019;47(D1):D941-D947.