p53缺失小鼠乳腺上皮细胞可移植癌前进展模型的基因表达谱
该数据集来自 NCBI GEO(GSE84828),利用 p53 缺失小鼠乳腺上皮细胞构建可移植的癌前进展模型,对相关样本进行基因表达谱芯片检测

基本信息
资源简介
p53缺失小鼠乳腺上皮细胞可移植癌前进展模型的基因表达谱
Gene expression profiling of a transplantable model of preneoplastic progression in mice using p53-null mammary epithelial cells
该数据集来自 NCBI GEO(GSE84828),利用 p53 缺失小鼠乳腺上皮细胞构建可移植的癌前进展模型,对相关样本进行基因表达谱芯片检测。数据覆盖肿瘤/乳腺癌方向,包含 1 个文件(GSE84828_series_matrix.txt.gz),平台为 GPL81,物种为小鼠(10090)。可用于研究早期乳腺癌进展中驱动肿瘤发生的机制,以及巨噬细胞在癌前病变向肿瘤促进表型极化中的作用,为乳腺癌预防与治疗靶点探索提供表达谱数据基础(来源 NCBI)。
【数据集背景】
源站首次发布:Jul 26 201。
【数据内容】
源站描述(机器翻译,仅供参考):我们显示巨噬细胞被招募到具有高成瘤潜能的导管增生灶,在那里它们被分化并极化为促肿瘤表型。这些研究表明,针对促肿瘤巨噬细胞的治疗靶向可能不仅是阻断肿瘤进展和转移的有效策略,而且可能对乳腺癌预防具有关键意义。为研究驱动早期乳腺癌进展中肿瘤发生的机制,我们采用了一个癌前进展的可移植模型。将 p53 缺失乳腺上皮细胞移植到同源野生型小鼠的清除乳腺脂肪垫中,导致形成若干癌前细胞系,这些细胞系在组织学和遗传学上重现了人乳腺癌的各种亚型。其中两个细胞系 PN1a 和 PN1b 来源于对侧过度生长
【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:Expression profiling by array、GPL81、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=GSE84828
【使用注意】
· 源站最后修改于 Jun 26 201,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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放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=GSE84828
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
我们发现,巨噬细胞被招募至具有高成瘤潜能的导管增生区域,并在该处发生分化并极化为促肿瘤表型。这些研究表明,针对促肿瘤巨噬细胞的治疗性靶向不仅可能是阻断肿瘤进展和转移的有效策略,还可能对乳腺癌预防具有重要意义。为探究驱动早期乳腺癌进展中肿瘤发生的机制,我们采用了一种可移植的癌前进展模型。将p53缺失的乳腺上皮细胞移植到同源野生型小鼠的清除乳腺脂肪垫中,导致了多个癌前细胞系的形成,这些细胞系在组织学和遗传学上重现了人乳腺癌的多种亚型。其中两个细胞系PN1a和PN1b来源于同一小鼠的对侧生长物,这些生长物的组织被连续移植超过10代以确认其稳定性。
移植后16周,PN1a病变发展为低分化的小叶腺泡形态,并伴有实性巢状非典型细胞的多灶性区域,而PN1b病变仍保持低级别导管增生。
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




