不同原发部位和遗传易感性的神经内分泌肿瘤特异性DNA甲基化特征
该数据集包含96个神经内分泌肿瘤样本的全基因组DNA甲基化数据，覆盖83.5万个CpG位点，属于表观遗传学模态。其主要用途是研究不同原发部位（如胰腺、小肠、十二指肠）和遗传背景（散发性、VHL相关、MEN1相关）的神经内分泌肿瘤的DNA甲基化特征差异，以探索肿瘤分子分型、发病机制，并支持基于甲基化特征的诊断工具开发。
基本信息
资源简介
不同原发部位和遗传易感性的神经内分泌肿瘤特异性DNA甲基化特征
【数据集背景】
本数据集源站标题为《Distinct DNA methylation signatures in neuroendocrine tumors specific for primary site and inherited predisposition》。
【数据内容】
源站原始描述：Purpose: To compare the deoxyribonucleic acid (DNA) methylation signature of neuroendocrine tumors (NETs) by primary tumor site and inherited predisposition syndromes von Hippel–Lindau disease (VHL) and multiple endocrine neoplasia type 1 (MEN1). Methods Genome-wide DNA methylation (835 424 CpGs) of 96 NET samples. Principal components analysis (PCA) and unsupervised hierarchical clustering analyses were used to determine DNA methylome signatures. Results: Hypomethylated CpGs were significantly…
【数据结构与技术规格】
数据集 DOI：doi:10.5061/dryad.ngf1vhhqw。
【获取与许可】
源站页面：https://doi.org/10.5061/dryad.ngf1vhhqw
使用许可：https://spdx.org/licenses/CC0-1.0.html。
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。
暂未开放公开下载
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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
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://datadryad.org/stash/dataset/doi:10.5061/dryad.ngf1vhhqw
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:
数据说明
该数据集包含了96个神经内分泌肿瘤（NETs）样本的全基因组DNA甲基化数据，覆盖了835,424个CpG位点。研究通过比较不同原发部位（如胰腺、小肠、十二指肠、胃）和不同遗传背景（包括散发性、VHL相关和MEN1相关）的NETs，分析了其DNA甲基化特征的差异。数据来源于对临床样本的甲基化芯片检测，采用主成分分析和无监督层次聚类等方法进行特征分析。该数据集可用于研究神经内分泌肿瘤的分子分型、发病机制，以及开发基于DNA甲基化特征的诊断工具，特别是在区分不同原发部位和遗传易感性的NETs方面具有重要应用价值。
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
