PRJNA1077981:倾向神经-间质混合型胶质母细胞瘤细胞抗治疗且依赖核输入_scRNAseq
该数据集来自NCBI,聚焦胶质母细胞瘤(GBM)中同时表达倾向神经(PN)和间质(MES)标志物的杂交细胞群体。研究通过荧光报告系统在多种患者来源细胞系中实时监测GBM细胞可塑性,并整合bulk与单细胞RNA测序、单细胞ChIP测序、核蛋白质组学、高分辨率成像、原位小鼠模型、临床数据集分析及药理学与

基本信息
资源简介
PRJNA1077981:倾向神经-间质混合型胶质母细胞瘤细胞抗治疗且依赖核输入_scRNAseq
该数据集来自NCBI,聚焦胶质母细胞瘤(GBM)中同时表达倾向神经(PN)和间质(MES)标志物的杂交细胞群体。研究通过荧光报告系统在多种患者来源细胞系中实时监测GBM细胞可塑性,并整合bulk与单细胞RNA测序、单细胞ChIP测序、核蛋白质组学、高分辨率成像、原位小鼠模型、临床数据集分析及药理学与遗传学技术。数据可用于探索GBM细胞状态转变、治疗抵抗机制及核输入依赖性的转录组特征(来源 ncbi.nlm.nih.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):背景:尽管已有大量研究,胶质母细胞瘤(GBM)仍是一种预后不良的致命疾病。虽然既往研究已鉴定出GBM肿瘤内的多种细胞状态,但常规治疗诱导的适应性GBM细胞可塑性的分子机制仍不清楚。方法:我们使用针对倾向神经(PN)和间质(MES)亚型的荧光报告系统,在多种患者来源细胞系中实时监测GBM细胞可塑性。该方法揭示了同时表达倾向神经和间质标志物的细胞。为研究这一独特的杂交群体,我们实施了一套综合方法学,涵盖bulk和单细胞RNA测序、单细胞ChIP测序、核蛋白质组学、高分辨率成像、原位小鼠模型、临床数据集分析以及药理学和遗传学技术。
【主题与分类】
主题标签:Transcriptome or Gene expression。本站分类:肿瘤/脑肿瘤。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/bioproject/PRJNA1077981
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/bioproject/PRJNA1077981
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
背景:尽管进行了广泛的研究努力,胶质母细胞瘤(GBM)仍是一种预后不良的致命疾病。虽然先前的研究已鉴定出GBM肿瘤内的多种细胞状态,但常规治疗诱导的适应性GBM细胞可塑性的分子机制仍不清楚。方法:我们使用针对前神经(PN)和间充质(MES)亚型的荧光报告基因,在多个患者来源的细胞系中实时监测GBM细胞可塑性。这种方法揭示了同时表达前神经和间充质标志物的细胞。为了研究这一独特的杂交群体,我们实施了一种综合的方法学策略,包括批量及单细胞RNA测序、单细胞ChIP测序、核蛋白质组学、高分辨率成像、原位小鼠模型、临床数据集分析以及药理学和遗传学技术。这种多层面的策略使我们能够获得对这一独特细胞群体的功能和分子层面的见解。结果:我们发现这些杂交细胞在常规治疗后增加,并且对这些治疗具有耐药性。
在分子水平上,杂交细胞表现出染色质结构和核蛋白组成的显著改变、转录活性升高、Myc激活以及核质间运输改善。对杂交细胞中增强的核输入/输出穿梭机制进行遗传学和药理学抑制,可有效抑制GBM细胞适应性可塑性和杂交身份,从而增强GBM细胞对治疗的敏感性。结论:我们的结果表明,GBM杂交细胞在放化疗耐药中发挥关键作用。核运输机制为杂交细胞提供了一个潜在的治疗靶点,为对抗GBM中常见的治疗耐药提供了一种途径。总体设计:通过bulk RNA测序对MGG4和MGG8分选杂交细胞进行基因表达谱分析
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。




