儿童弥漫性中线胶质瘤血脑肿瘤屏障体外微血管模型
该数据集来自 NCBI GEO(GSE311451),围绕儿童弥漫性中线胶质瘤(DMG)的血脑肿瘤屏障(BBTB)体外微血管模型

基本信息
资源简介
儿童弥漫性中线胶质瘤血脑肿瘤屏障体外微血管模型
Engineered in vitro microvascular model of the blood-brain-tumor barrier to probe vascular biology of pediatric diffuse midline glioma
该数据集来自 NCBI GEO(GSE311451),围绕儿童弥漫性中线胶质瘤(DMG)的血脑肿瘤屏障(BBTB)体外微血管模型。模型由患者来源 DMG 肿瘤细胞、原代人脑微血管内皮细胞、星形胶质细胞和血管周细胞共培养于微流控芯片内的纤维蛋白基质中,形成自组装微血管网络,并在不同肿瘤细胞密度下评估血管发育与灌注通透性,同时开展转录组分析。数据可用于研究 DMG 肿瘤-血管微环境及药物递送屏障机制(来源 NCBI)。
【数据集背景】
源站首次发布:Nov 25 202。
【数据内容】
源站描述(机器翻译,仅供参考):弥漫性中线胶质瘤(DMG)是一种高度侵袭性的儿童脑肿瘤,由于血脑肿瘤屏障(BBTB)阻止大多数药物到达肿瘤,因此难以治疗。理解该肿瘤-血管微环境的一个主要障碍是缺乏可灌注的 DMG 血管模型。为解决这一问题,我们建立了一个 DMG-BBTB 体外模型,由患者来源的 DMG 肿瘤细胞、原代人脑微血管内皮细胞、星形胶质细胞和血管周细胞共培养组成,包埋于微流控芯片内的纤维蛋白基质中。我们报告了自组装微血管网络的开发与表征,在一系列肿瘤细胞密度下血管发育保持一致。灌注研究显示,当存在肿瘤细胞时,血管通透性无显著改变。为阐明转录组变化,我们 e
【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:GPL24676、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=GSE311451
【使用注意】
· 源站最后修改于 Oct 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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE311451
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
弥漫性中线胶质瘤(DMG)是一种高度侵袭性的儿童脑肿瘤,由于血-脑-肿瘤屏障(BBTB)阻止大多数药物到达肿瘤,因此难以治疗。理解这一肿瘤-血管微环境的一个主要障碍是缺乏可灌注的DMG血管模型。为解决这一问题,我们建立了一种DMG-BBTB的体外模型,该模型由患者来源的DMG肿瘤细胞、原代人脑微血管内皮细胞、星形胶质细胞和血管周细胞共培养组成,包埋于微流控芯片内的纤维蛋白基质中。我们报告了自组装微血管网络的开发与表征,在一系列肿瘤细胞密度下均呈现一致的血管系统发育。灌注研究显示,当存在肿瘤细胞时,血管通透性无显著改变。为阐明转录组变化,我们对包含BBB、DMG-BBTB或肿瘤坏死因子α(TNFα)刺激对照的装置进行了scRNAseq。我们观察到BBB与DMG-BBTB之间存在显著的差异基因表达,且不同于TNFα扰动所见的炎症特征。
我们的分析表明,DMG细胞呈现出间充质样表型,进一步的计算机模拟研究预测这些细胞与内皮之间存在显著的受体-配体交互作用。总之,我们构建了一个高保真的DMG-BBTB模型,该模型重现了患者DMG微血管的转录组特征,并具备可灌注的血管系统,从而能够对治疗药物进行功能性测试。
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。




