GSE18908：乳腺肿瘤亚型与预后相关

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE18908

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

为了深化我们对乳腺癌肿瘤进展所涉及生物学通路的理解，我们分析了一组乳腺肿瘤活检样本，旨在识别肿瘤可能发展的基因组路径。为此，我们构建了一个包含800个基因的cDNA微阵列平台。这些基因之所以被选中，是因为它们代表了多个信号传导途径，即雌激素和孕激素受体相关途径、细胞周期、DNA修复、染色质重塑、细胞增殖、凋亡、细胞粘附、细胞侵袭及血管生成。我们对一大组乳腺肿瘤的基因表达谱进行了分析，并发现其与临床-组织病理学数据具有良好的相关性。在我们的研究群体中，我们识别出具有独特表型特征的不同肿瘤亚群，这些亚群随后与临床结果相关联。通过应用一种称为PAM（微阵列预测分析）的统计分析方法——“留一法”交叉验证，我们确定了能够区分训练样本集中不同肿瘤表型的最显著基因。

该预测模型在一组新 incoming 样本上进一步测试，我们确定了新样本被分配到哪种肿瘤亚型，并将预测结果与临床数据进行比较，显示某些不同的肿瘤表型如何与不良预后相关。对属于每种表型的最显著基因进行了通路分析，以阐明肿瘤进展可能经过的最具代表性的生物信号通路。我们构建了一个实时表达谱分析平台，选取了每种亚型中差异表达最显著的基因，该平台可作为一种技术手段，帮助改善我们样本人群中乳腺肿瘤样本的诊断和预后。

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。