胶质母细胞瘤瘤内异质性研究 [scRNA-seq]
该数据集来自 NCBI GEO，标题为胶质母细胞瘤瘤内异质性研究，采用单细胞 RNA 测序表达谱分析，包含 1 个文件（GSE326397_series_matrix.txt.gz），物种为小鼠（GPL24247，10090）
![GSE326397: A study for intratumoral heterogeneity of glioblastoma [scRNA-seq]](/medical-api/medicalDataset/datasetCover/156429.jpg)
基本信息
资源简介
胶质母细胞瘤瘤内异质性研究 [scRNA-seq]
A study for intratumoral heterogeneity of glioblastoma [scRNA-seq]
该数据集来自 NCBI GEO，标题为胶质母细胞瘤瘤内异质性研究，采用单细胞 RNA 测序表达谱分析，包含 1 个文件（GSE326397_series_matrix.txt.gz），物种为小鼠（GPL24247，10090）。源站描述指出该研究通过多组学分析建立基于五基因特征的 gITH 分类器，高 gITH 肿瘤分子复杂性增强，PDLIM4 被确定为与干样特性和不良临床结局相关的核心调控因子，功能验证显示敲低 PDLIM4 可抑制 ITH 与肿瘤进展。数据可用于胶质母细胞瘤异质性量化与预后预测相关研究（来源 NCBI）。
【数据集背景】
源站首次发布：Mar 30 202。
【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，证明其具有稳健的预后预测价值。高 gITH 肿瘤表现出增强的分子复杂性，PDLIM4 被确定为与干样特性和不良临床结局强相关的核心调控因子。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 PDLIM4 是一个有前景的治疗靶点，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=GSE326397
【使用注意】
· 源站最后修改于 Apr 02 202，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=GSE326397
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
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。本研究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。
