髓母细胞瘤多组学分析揭示蛋白质组与N-糖链水平的亚型特异性可靶向改变
该数据集来自NCBI GEO,收录167例髓母细胞瘤(MB)的蛋白质组数据,并与DNA甲基化组、转录组和N-糖组数据整合

基本信息
资源简介
髓母细胞瘤多组学分析揭示蛋白质组与N-糖链水平的亚型特异性可靶向改变
Multiomic profiling of medulloblastoma reveals subtype-specific targetable alterations at the proteome and N-glycan level
该数据集来自NCBI GEO,收录167例髓母细胞瘤(MB)的蛋白质组数据,并与DNA甲基化组、转录组和N-糖组数据整合。研究鉴定出六种蛋白质组MB亚型,可归入转录/翻译(pSHHt、pWNT、pGroup3myc)和突触/免疫(pSHHs、pGroup3、pGroup4)两大分子程序,并揭示不同亚型蛋白质组特征在DNA甲基化层面的保守程度差异。数据可用于MB分子分型、亚型特异性可靶向通路发现及多组学整合分析(来源 NCBI)。
【数据集背景】
源站首次发布:Sep 22 202。
【数据内容】
源站描述(机器翻译,仅供参考):髓母细胞瘤(MBs)是分子和临床上异质的恶性儿童脑肿瘤。组学技术——主要研究核酸——的应用显著改善了MB的分类和分层,但治疗方案仍不令人满意。蛋白质组及其N-糖链有潜力发现临床相关表型和可靶向通路。我们汇编了167例MB的统一蛋白质组数据集,并将发现与DNA甲基化组、转录组和N-糖组数据整合。我们展示了六种蛋白质组MB亚型,可归入两个主要分子程序:转录/翻译(pSHHt、pWNT和pGroup3myc),以及突触/免疫过程(pSHHs、pGroup3和pGroup4)。多组学分析揭示了蛋白质组特征在DNA甲基化水平上跨MB亚型的不同保守程度。侵袭性pGroup3myc
【数据结构与技术规格】
文件数 1 个,合计 0 B。
【主题与分类】
主题标签:GPL13534、9606。本站分类:肿瘤/脑肿瘤。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE243796
【使用注意】
· 源站最后修改于 Aug 16 202,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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE243796
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
髓母细胞瘤(MBs)是分子和临床上异质性的恶性儿童脑肿瘤。组学技术——主要研究核酸——的应用显著改善了MB的分类和分层,但治疗选择仍不令人满意。蛋白质组及其N-糖基具有发现临床相关表型和可靶向通路的潜力。我们汇编了167例MBs的统一蛋白质组数据集,并将发现与DNA甲基化组、转录组和N-糖组数据整合。我们展示了六种蛋白质组MB亚型,可归属于两个主要分子程序:转录/翻译(pSHHt、pWNT和pGroup3myc),以及突触/免疫过程(pSHHs、pGroup3和pGroup4)。多组学分析揭示了在DNA甲基化组水平上,蛋白质组特征在MB亚型间不同的保守程度。侵袭性pGroup3myc MBs和预后良好的pWNT MBs在总体蛋白质组模式的聚类层级上最为相似,但在长春新碱耐药相关多蛋白复合物TriC/CCT和N-糖基周转相关因子的蛋白质丰度上存在差异。
N-糖组反映了蛋白质组亚型,复杂的平分型N-糖链是pGroup3myc肿瘤的特征。我们的研究结果揭示了MB中可靶向的改变,并为针对糖链结构的潜在免疫疗法奠定了基础。本超级系列由下列子系列组成。
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。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




