基于基因组分级定义ER阳性乳腺癌临床 distinct 分子亚型

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE6532

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

目的：多项微阵列研究报道了乳腺癌（BC）的不同分子特征：基底样型、ErbB2样型以及两到三种管腔样亚型。这些亚型与不同的临床结局相关。然而，尽管基底样型和ErbB2亚型被反复确认，雌激素受体（ER）阳性亚型的识别却一直不一致。因此，需要对其分子定义进行完善。材料与方法：我们此前报道了一种基因表达分级指数（GGI），该指数基于基因表达谱来定义组织学分级。利用这一算法，我们将ER阳性乳腺癌划分为高基因组分级或低基因组分级亚组，并将其与先前报道的ER阳性分子分型进行比较。作为进一步验证，我们将666例ER阳性样本分为不同亚型，并评估其临床结局。结果：利用GGI可以定义两个ER阳性分子亚组（高基因组分级和低基因组分级）。

尽管仅追踪单一生物学通路，这些分型与先前描述的luminal A和B分类高度可比，并与使用21基因复发评分产生的风险组显著相关。这两个亚型在未接受全身治疗和他莫昔芬治疗的人群中均与统计学上不同的临床结局相关。结论：使用基因组分级能够以简单且高度可重复的方式在多个数据集中识别出两个临床上不同的ER阳性分子亚型。本研究强调了增殖相关基因在预测ER阳性乳腺癌预后中的重要作用。关键词：疾病状态分析

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。