弥漫大B细胞淋巴瘤亚群中的大规模转录扰动
该数据集包含364例弥漫大B细胞淋巴瘤及相关B细胞淋巴瘤的转录组数据，通过相关基因集分析方法识别出三类不同的肿瘤表达谱，涉及增殖、基质免疫反应及低激活表型，重点揭示了表观遗传调控基因在代谢与生物合成通路中的大规模扰动，主要用于淋巴瘤的分子分型、发病机制探索及潜在治疗靶点研究。
基本信息
资源简介
弥漫大B细胞淋巴瘤亚群中的大规模转录扰动
【数据集背景】
本数据集源站标题为《Massive Transcriptional Perturbation in Subgroups of Diffuse Large B-cell Lymphomas》。源站首次发布：Jan 23 201。
【数据内容】
源站原始描述：Based on the assumption that molecular mechanisms involved in cancerogenesis are characterized by groups of coordinately expressed genes, we developed and validated a novel method for analyzing transcriptional data called Correlated Gene Set Analysis (CGSA). Using 50 extracted gene sets we identified three different profiles of tumors in a cohort of 364 Diffuse large B-cell (DLBCL) and related mature aggressive B-cell lymphomas other than Burkitt lymphoma. The first profile had high level of exp…
【数据结构与技术规格】
文件数 1 个。
【主题与分类】
主题标签：Expression profiling by array、GPL96、9606。
【获取与许可】
源站页面：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE43677
【使用注意】
· 源站最后修改于 Aug 10 201，引用时请注意版本时效。
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://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE43677
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
该数据集基于364例弥漫大B细胞淋巴瘤（DLBCL）及相关成熟侵袭性B细胞淋巴瘤（非伯基特淋巴瘤）的转录组数据，利用作者开发的“相关基因集分析（CGSA）”方法，识别出三种不同的肿瘤表达谱。其中第一类表现为高增殖相关基因表达，第二类呈现基质和免疫反应表型，这两类均显示出涉及氧化磷酸化、能量代谢和核苷生物合成等表观遗传调控基因的大规模激活；第三类则显示与正常B细胞类似的低全局基因激活水平。该研究揭示了DLBCL在代谢和生物合成相关的大规模基因激活水平上的新复杂性，为淋巴瘤的分子分型、发病机制及潜在治疗靶点研究提供了重要数据支持。
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。
