HNRNPC与PABPC4的转录组范围CLIP结合位点数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE186640

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

癌细胞常利用转录后调控机制来实现驱动转移的基因网络的病理性表达。翻译控制是肿瘤发生中的一个主要调控枢纽，然而其对癌症进展的影响仍知之甚少。为解决这一问题，我们采用核糖体图谱分析技术，比较了低转移性和高转移性乳腺癌细胞及患者来源异种移植瘤的全基因组翻译效率。我们开发了新的基于回归的方法来分析核糖体图谱和选择性多聚腺苷酸化数据，并鉴定出HNRNPC作为特定mRNA调控子的翻译控制器。机制上，HNRNPC与PABPC4协同作用，结合在多聚腺苷酸化信号附近，从而调控一组mRNA的选择性多聚腺苷酸化。我们发现HNRNPC和PABPC4在高转移性细胞中下调，导致HNRNPC结合的mRNA发生3’非翻译区延长，进而受到翻译抑制。我们证明，调节HNRNPC表达会影响异种移植小鼠模型中乳腺癌细胞的转移能力。

我们还发现，一种先前被证明可诱导远端至近端poly(A)位点切换的小分子，能够对抗HNRNPC-PABPC4驱动的选择性多聚腺苷酸化失调，并在体内减少乳腺癌细胞的转移性肺部定植。

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。