ER+乳腺癌中ET不敏感细胞群体的翻译谱分析 [scRNA-Seq]
研究聚焦内分泌治疗耐药问题,旨在识别在 ET 选择压力下持续存在的 ET 不敏感细胞群体,并揭示其转录组多样性及不依赖 ER 状态或分子亚型的特点
![GSE310968: Translational profiling of ET-insensitive cell populations in ER+ breast cancer reveals new therapeutic vulnerabilities [scRNA-Seq]](/medical-api/medicalDataset/datasetCover/91353_v20261103024057.jpg)
基本信息
资源简介
ER+乳腺癌中ET不敏感细胞群体的翻译谱分析 [scRNA-Seq]
Translational profiling of ET-insensitive cell populations in ER+ breast cancer reveals new therapeutic vulnerabilities [scRNA-Seq]
该数据集来自 NCBI GEO,标题为 ER+ 乳腺癌中 ET 不敏感细胞群体的翻译谱分析,采用 scRNA-Seq 技术,包含 1 个文件 GSE310968_series_matrix.txt.gz。研究聚焦内分泌治疗耐药问题,旨在识别在 ET 选择压力下持续存在的 ET 不敏感细胞群体,并揭示其转录组多样性及不依赖 ER 状态或分子亚型的特点。数据可用于探索 ET 耐药机制、开发靶向 ET 不敏感细胞的新药预测流程,并支持单细胞分析与类器官建模整合到精准肿瘤学工作流中(来源 NCBI)。
【数据集背景】
源站首次发布:Nov 21 202。
【数据内容】
源站描述(机器翻译,仅供参考):ER+ 乳腺癌中的内分泌治疗耐药在临床上仍是一项重大治疗挑战。本研究提供了一套稳健的工作流程,用于识别在临床样本和实验模型中于 ET 选择压力下持续存在的 ET 不敏感细胞群体。我们证明这些群体在转录层面具有多样性,且并非由 ER 状态/活性或分子亚型所定义。重要的是,我们开发了一个预测性治疗流程,能够识别针对 ET 不敏感细胞群体的新药。这些发现为克服 ET 耐药提供了具有临床相关性的策略,并支持将单细胞谱分析与类器官建模整合到精准肿瘤学工作流程中。
【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:GPL24676、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=GSE310968
【使用注意】
· 源站最后修改于 Oct 06 202,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=GSE310968
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
ER+乳腺癌的内分泌治疗耐药仍是临床上的重大治疗挑战。本研究提供了一套稳健的工作流程,用于识别在临床样本和实验模型中、于内分泌治疗选择性压力下持续存在的内分泌治疗不敏感细胞群体。我们证明,这些群体在转录层面具有多样性,且不能通过ER状态/活性或分子亚型来界定。重要的是,我们开发了一条预测性治疗流程,能够识别针对内分泌治疗不敏感细胞群体的新药。这些发现为克服内分泌治疗耐药提供了一种具有临床相关性的策略,并支持将单细胞图谱分析和类器官建模整合到精准肿瘤学工作流程中。
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。




