犬与人乳腺癌细胞系获得性放射抗性发展的比较分析
该数据集来自 NCBI,标题为犬与人乳腺癌细胞系获得性放射抗性发展的比较分析,属于肿瘤/乳腺癌分类。研究以体外犬乳腺癌细胞系及自然发生的犬乳腺肿瘤为模型,比较犬与人乳腺癌放射抗性形成的分子机制,可用于探索放射抗性相关基因表达特征及跨物种转化研究(来源 NCBI)

基本信息
资源简介
犬与人乳腺癌细胞系获得性放射抗性发展的比较分析
Comparative Analysis of the Development of Acquired Radioresistance in Canine and Human Mammary Cancer Cell Lines
该数据集来自 NCBI,标题为犬与人乳腺癌细胞系获得性放射抗性发展的比较分析,属于肿瘤/乳腺癌分类。数据包含 1 个文件 GSE149988_series_matrix.txt.gz,采用高通量测序进行表达谱分析,涉及平台 GPL28490 与物种 9606。研究以体外犬乳腺癌细胞系及自然发生的犬乳腺肿瘤为模型,比较犬与人乳腺癌放射抗性形成的分子机制,可用于探索放射抗性相关基因表达特征及跨物种转化研究(来源 NCBI)。
【数据集背景】
源站首次发布:May 06 202。
【数据内容】
源站描述(机器翻译,仅供参考):背景:使用体外犬乳腺癌细胞系的研究以及涉及自然发生的犬乳腺肿瘤的研究,不仅是用于增进对兽医患者癌症理解的基础模型,也被视为人类乳腺癌的优良转化模型。在人类医学中,在疾病分类和分期之后,乳腺癌通常采用包括放疗在内的多模式疗法进行治疗。乳腺肿瘤对放射的反应不仅取决于其固有放射敏感性,还取决于已产生放射抗性的细胞所导致的肿瘤再增殖。比较犬与人类研究放射抗性的分子机制,可能有助于开发出对两个物种均有益的有效癌症治疗方法。
【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:GPL28490、9606。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE149988
【使用注意】
· 源站最后修改于 Aug 31 202,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=GSE149988
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:使用体外犬乳腺癌细胞系开展的研究以及涉及自然发生犬乳腺肿瘤的研究,不仅是增进对兽医患者癌症认识的基础模型,也被视为人类乳腺癌的优良转化模型。在人类医学中,乳腺癌在疾病分类和分期之后通常采用包括放疗在内的多模式治疗。乳腺肿瘤对放射治疗的反应不仅取决于其固有的放射敏感性,还取决于已产生放射抗性的细胞所导致的肿瘤再增殖。通过比较犬与人类研究来探究放射抗性的分子机制,可能促成对两个物种均有益的有效癌症治疗方法的开发。方法:通过使亲本细胞每周接受递增剂量的辐射,建立了人类(MDA-MB-231、MCF-7和ZR-751)和犬(REM-134)放射抗性细胞系。通过增殖实验和集落形成实验评估放射抗性的形成。表型特征分析包括迁移实验、侵袭实验和免疫组织化学。
通过全转录组基因表达分析,研究了亲本细胞与放射抵抗细胞之间的内在差异。基因富集和通路聚焦分析确定了在放射抵抗细胞中差异激活的信号网络。结果:集落形成实验在人源和犬源亲本细胞系中鉴定出一系列内在放射敏感性,其中REM-134细胞系与人源细胞系相比显示出显著更强的放射抵抗性。集落形成和增殖实验证实了所有已建立的放射抵抗细胞系均具有放射抵抗性。放射抵抗细胞表现出增强的迁移和侵袭能力,并有上皮-间质转化的证据。基因分析发现,在MCF-7和
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。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




