胶质母细胞瘤瘤内异质性研究数据集

该数据集来自 NCBI GEO,围绕胶质母细胞瘤(GBM)的瘤内异质性(ITH)开展研究,包含 1 个表达谱矩阵文件。研究通过多组学分析建立基于五基因特征的 gITH 分类器,并识别 PDLIM4 为核心调控因子,与干性特征及不良临床结局相关

geo
浏览 6
基因组分类GPL2424710090
GSE325992: A study for intratumoral heterogeneity of glioblastoma

基本信息

模态
基因组
任务类型
分类
创建/更新时间
2026-10-21

资源简介

胶质母细胞瘤瘤内异质性研究数据集

A study for intratumoral heterogeneity of glioblastoma

该数据集来自 NCBI GEO,围绕胶质母细胞瘤(GBM)的瘤内异质性(ITH)开展研究,包含 1 个表达谱矩阵文件。研究通过多组学分析建立基于五基因特征的 gITH 分类器,并识别 PDLIM4 为核心调控因子,与干性特征及不良临床结局相关。数据可用于 GBM 异质性转录组定量分析、预后预测建模及 PDLIM4 相关治疗靶点探索(来源 NCBI)。

【数据集背景】

源站首次发布:Mar 25 202。

【数据内容】

源站描述(机器翻译,仅供参考):瘤内异质性(ITH)是胶质母细胞瘤(GBM)治疗耐药的关键驱动因素。本研究通过多组学分析建立了基于五基因特征的 gITH 分类器,展现出稳健的预后预测价值。高 gITH 肿瘤表现出增强的分子复杂性,其中 PDLIM4 被确定为核心调控因子,与干样特性和不良临床结局呈强相关。功能验证证实,敲低 PDLIM4 可抑制 ITH 和肿瘤进展。我们的工作不仅建立了基于转录组的 GBM 异质性量化框架,还揭示了 PDLIM4 作为有前景的治疗靶点,为精准医学提供了新策略。

【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:GPL24247、10090。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=GSE325992

【使用注意】

· 源站最后修改于 Mar 27 202,引用时请注意版本时效。

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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=GSE325992

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 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。

数据说明

肿瘤内异质性(ITH)是胶质母细胞瘤(GBM)治疗耐药的关键驱动因素。本研究通过多组学分析建立了一个基于五基因特征的gITH分类器,展现出稳健的预后预测价值。高gITH肿瘤表现出增强的分子复杂性,其中PDLIM4被鉴定为核心调控因子,与干样特性和不良临床结局呈强相关性。功能验证证实,敲低PDLIM4可抑制ITH和肿瘤进展。我们的工作不仅为GBM异质性建立了一个基于转录组的量化框架,还揭示了PDLIM4作为一个有前景的治疗靶点,为精准医学提供了新策略。

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。

获取专属数据定制方案