基于蛋白质组学方法揭示SERPINB9在复发和难治性多发性骨髓瘤中的参与
该数据集来自omicsdi.org,属于肌肉骨骼系统疾病/其他分类,围绕多发性骨髓瘤(MM)复发与耐药机制展开。研究采用定量蛋白质组学方法,通过串联质谱标签-质谱(TMT-MS)比较5例新诊断MM(NDMM)患者与5例硼替佐米耐药复发难治性MM(RRMM)患者的骨髓活检标本,筛选差异表达蛋白候选物,

基本信息
资源简介
基于蛋白质组学方法揭示SERPINB9在复发和难治性多发性骨髓瘤中的参与
该数据集来自omicsdi.org,属于肌肉骨骼系统疾病/其他分类,围绕多发性骨髓瘤(MM)复发与耐药机制展开。研究采用定量蛋白质组学方法,通过串联质谱标签-质谱(TMT-MS)比较5例新诊断MM(NDMM)患者与5例硼替佐米耐药复发难治性MM(RRMM)患者的骨髓活检标本,筛选差异表达蛋白候选物,并利用GO、KEGG通路和层次聚类分析其亚细胞定位与功能分类,对重点候选蛋白进行验证。数据可用于探索硼替佐米耐药及MM复发相关的蛋白标志物与机制研究(来源 omicsdi.org)。
【数据内容】
源站描述(机器翻译,仅供参考):多发性骨髓瘤(MM)是一种常见的血液系统恶性肿瘤,其复发和难治机制尚不清楚。值得注意的是,导致复发的硼替佐米耐药使MM治疗面临显著挑战。为阐明耐药机制,我们采用定量蛋白质组学方法,鉴定与硼替佐米耐药的复发和难治性MM(RRMM)相关的差异表达蛋白候选物。使用串联质谱标签-质谱(TMT-MS)比较了5例新诊断MM(NDMM)患者与5例诊断为硼替佐米耐药RRMM患者的骨髓活检标本。通过基因本体论(GO)、京都基因与基因组百科全书(KEGG)通路和层次聚类确定差异表达蛋白的亚细胞定位和功能分类。对鉴定出的重点候选蛋白进行了验证
【主题与分类】
主题标签:Multiple myeloma、recurrence and relapse、proteomics、parallel reaction monitoring、serpinb9。本站分类:肌肉骨骼系统疾病。
【获取与许可】
源站页面:https://omicsdi.org/dataset/pride/PXD022182
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://omicsdi.org/dataset/pride/PXD022182
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
多发性骨髓瘤(MM)是一种常见的血液系统恶性肿瘤,其复发和再发机制尚不明确。值得注意的是,硼替佐米耐药导致的复发使MM治疗面临重大挑战。为阐明耐药机制,我们采用定量蛋白质组学方法,鉴定与硼替佐米耐药复发和再发性MM(RRMM)相关的差异表达候选蛋白。我们使用串联质谱标签-质谱(TMT-MS)技术,将5例新诊断MM(NDMM)患者的骨髓活检标本与5例诊断为硼替佐米耐药RRMM患者的标本进行比较。通过基因本体论(GO)、京都基因与基因组百科全书(KEGG)通路和层次聚类分析,确定差异表达蛋白的亚细胞定位和功能分类。利用11例NDMM和8例RRMM患者的组织样本,通过平行反应监测(PRM)分析对鉴定出的主要候选蛋白进行验证,随后与包含10例MM患者和10例健康对照的NCBI基因表达综合数据库(GEO)数据集(登录号:GSE80608)进行比较。
通过TMT-MS技术,在RRMM中鉴定出34种差异表达蛋白,其中包括蛋白酶抑制剂9(SERPINB9)。随后对鉴定出的候选蛋白进行的功能富集分析表明,它们参与调节RRMM中的细胞代谢、凋亡、程序性细胞死亡、淋巴细胞介导的免疫及防御反应途径。通过PRM分析以及与NCBI GEO数据集的比较,确认了首要候选蛋白SERPINB9。我们阐明了硼替佐米耐药RRMM的蛋白质组图谱,并将SERPINB9确定为一个有前景的新型治疗靶点。我们的结果为未来RRMM机制研究提供了资源。
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。
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。




