GDNF处理与抗NCAM1处理EO771-tdT-LM2细胞在缺糖培养基下的转录组表达差异
数据为RNA-seq分析结果,比较缺糖培养基条件下GDNF处理与抗NCAM1处理的EO771-tdT-LM2细胞的转录组表达差异

基本信息
资源简介
GDNF处理与抗NCAM1处理EO771-tdT-LM2细胞在缺糖培养基下的转录组表达差异
The transcriptome expression differences between GDNF-treated and anti-NCAM1-treated EO771-tdT-LM2 cells under glucose-deprived media treatment
该数据集为GSE263233,包含1个文件(GSE263233_series_matrix.txt.gz),来自ncbi.nlm.nih.gov,属于肿瘤/乳腺癌分类。数据为RNA-seq分析结果,比较缺糖培养基条件下GDNF处理与抗NCAM1处理的EO771-tdT-LM2细胞的转录组表达差异。源站描述涉及乳腺癌细胞沿血管迁移侵入软脑膜、依赖整合素α6与层粘连蛋白结合、诱导巨噬细胞表达GDNF以及GDNF/NCAM通路促进软脑膜内肿瘤生长的机制。该数据可用于研究GDNF和NCAM1信号在乳腺癌软脑膜转移中的转录组变化及相关分子机制(来源 NCBI)。
【数据集背景】
源站首次发布:Apr 04 202。
【数据内容】
源站描述(机器翻译,仅供参考):乳腺癌细胞(BCC)在软脑膜(LM)内转移和增殖的分子机制尚不清楚,限制了有效疗法的开发。在此,我们展示小鼠体内的BCC可通过沿连接椎骨/颅骨骨髓与脑膜的血管进行腔外迁移而侵入LM,从而绕过血脑屏障。这一过程依赖于BCC通过表达神经元寻路分子整合素α6与血管基底膜层粘连蛋白结合。进入LM后,BCC与血管周围脑膜巨噬细胞共定位并诱导其表达促生存神经营养因子GDNF。鞘内阻断GDNF、巨噬细胞特异性消融GDNF,或从BCC中删除GDNF受体NCAM,均可抑制LM内的BC生长。在此,我们对GDNF处理和/或抗NCAM1处理的EO771-tdT进行了RNA-seq分析
【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:GPL24247、10090。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=GSE263233
【使用注意】
· 源站最后修改于 Jul 03 202,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=GSE263233
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
调节乳腺癌细胞(BCC)在软脑膜(LM)内转移和增殖的分子机制尚不清楚,这限制了有效疗法的开发。在此,我们展示小鼠体内的BCC可通过沿连接椎骨/颅骨骨髓与脑膜的血管进行腔外迁移而侵入LM,从而绕过血脑屏障。这一过程依赖于BCC通过表达神经元导向分子整合素α6与血管基底膜层粘连蛋白的结合。一旦进入LM,BCC便与血管周围脑膜巨噬细胞共定位,并诱导其表达促生存神经营养因子GDNF。鞘内阻断GDNF、巨噬细胞特异性消融GDNF,或从BCC中敲除GDNF受体NCAM,均可抑制LM内BC的生长。在此,我们对在葡萄糖剥夺培养基处理下经GDNF处理和/或抗NCAM1处理的EO771-tdT-LM2细胞进行了RNA-seq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。
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。




