Drug-Prot：扰动蛋白质组学中药物效应与时间依赖性蛋白质的预计算统计证据
该数据集提供药物效应、药物相互作用及有向时间依赖性蛋白质的统计证据，来源于18个乳腺癌细胞系在63种单药和59种药物组合处理下、于6、24、48小时对5,392种蛋白质的大规模扰动蛋白质组学分析
基本信息
资源简介
Drug-Prot：扰动蛋白质组学中药物效应与时间依赖性蛋白质的预计算统计证据
Drug-Prot: precomputed statistical evidence for drug effects and temporal protein dependencies in perturbation proteomics
该数据集提供药物效应、药物相互作用及有向时间依赖性蛋白质的统计证据，来源于18个乳腺癌细胞系在63种单药和59种药物组合处理下、于6、24、48小时对5,392种蛋白质的大规模扰动蛋白质组学分析。数据包含约6000万个p值及相应效应估计，是Drug-Prot应用及相关论文的完整证据基础。所有数值均为原始未校正，多重检验校正在查询时基于用户选定的蛋白质集进行。可用于药物效应评估、药物组合分析及蛋白质时间依赖性建模等研究（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：关于药物效应、药物相互作用和有向时间依赖性蛋白质的统计证据，源自一个大规模扰动蛋白质组学数据集，该数据集涵盖18个乳腺癌细胞系，接受63种单药和59种药物组合处理，在6、24和48小时对5,392种蛋白质进行检测。本数据存储包含约6000万个p值以及相应的效应估计。它是Drug-Prot应用及相关手稿的完整证据基础。此处所有数值均为原始未校正值；多重检验校正在查询时基于用户选定的蛋白质集进行。
【主题与分类】
主题标签：Proteomics、perturbation Proteomics、Breast cancer、drug-drug interaction、causal inference、high-dimensional statistics、protein network。本站分类：肿瘤/乳腺癌。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.21508012
使用许可：Creative Commons Attribution 4.0 International。
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://doi.org/10.5281/zenodo.21508012
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:
数据集大小约 1.88 GB。
数据说明
来自一个大规模扰动蛋白质组学数据集的统计学证据，涵盖药物效应、药物-药物相互作用以及有向的时间性蛋白质依赖性。该数据集包含18种乳腺癌细胞系，分别接受63种单药和59种药物组合处理，在6、24和48小时三个时间点对5,392种蛋白质进行了分析。本数据存储库包含约6,000万个p值及相应的效应估计值。它是Drug-Prot应用程序及相关手稿的完整证据基础。此处所有数值均为未经校正的原始值；多重检验校正在查询时基于用户选定的蛋白质集进行。
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。
