基本信息

模态

其他

大小

0.000707233 GB

任务类型

分类

许可

MIT

创建/更新时间

2024-04-04

版本

v1

资源简介

利用机器学习分析乳腺癌组织脂质组学变化的数据集

【数据集背景】

本数据集源站标题为《Leveraging Machine Learning for Profiling Lipidomic Alterations in Breast Cancer Tissues: A Methodological Perspective》。源站首次发布：2024-04-04。

【数据内容】

源站原始描述：The lipidomic datasets utilized in this study comprise LC-MS (Liquid Chromatography-Mass Spectrometry) data in positive and negative modes, derived from breast tumor samples obtained through the METACancer FP7 project. The sample collection process and ethical approvals have been previously documented by Hilvo et al. and Denkert et al. The breast cancer samples were categorized based on the expression status of specific biomarkers: HER2, ER (Estrogen Receptor), and PR (Progesterone Receptor) (Me…

主表 lc-neg-annotated.csv 含 37 列、样本前 256 行结构完整。

主表 lc-pos-annotated.csv 含 185 列、样本前 350 行结构完整。

【数据结构与技术规格】

文件数 3 个，合计 707.23 KB。lc-neg-annotated.csv：text/plain，108.96 KB。lc-pos-annotated.csv：text/plain，579.76 KB。Metadata.xlsx：application/vnd.openxmlformats-officedocument.spreadsheetml.sheet，18.51 KB。数据集 DOI：10.6084/m9.figshare.25514578.v1。

【主题与分类】

源站学科分类：Bioinformatics and computational biology not elsewhere classified。主题标签：Breast Cancer Tissue、LC-MS (Neg & POS modes)、Molecular subtypes (HER2, ER, and PR)、Lipidomics、Saturated and Mono-unsaturated phospholipids。

【适用方向】

结构化表格数据可直接用于统计建模、特征工程与队列分析。结构化表格数据可直接用于统计建模、特征工程与队列分析。源站学科分类标注为 Bioinformatics and computational biology not elsewhere classified。

【获取与许可】

源站页面：https://figshare.com/articles/dataset/_b_Leveraging_Machine_Learning_for_Profiling_Lipidomic_Alterations_in_Breast_Cancer_Tissues_A_Methodological_Perspective_b_/25514578

使用许可：MIT（https://opensource.org/licenses/MIT）。

规范引用：shahnazari, parisa (2024). Leveraging Machine Learning for Profiling Lipidomic Alterations in Breast Cancer Tissues: A Methodological Perspective. figshare. Dataset

原始链接

https://figshare.com/articles/dataset/_b_Leveraging_Machine_Learning_for_Profiling_Lipidomic_Alterations_in_Breast_Cancer_Tissues_A_Methodological_Perspective_b_/25514578

访问原始数据

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付，我们提供全链路闭环服务，让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持？联系我们获取定制方案。

帮我联系

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（Figshare）

源站标题：<b>Leveraging Machine Learning for Profiling Lipidomic Alterations in Breast Cancer Tissues: A Methodological Perspective</b>
DOI：10.6084/m9.figshare.25514578.v1
发布日期：2024-04-04
文件数：3 个
文件总体积：707.23 KB
源站页面：https://figshare.com/articles/dataset/_b_Leveraging_Machine_Learning_for_Profiling_Lipidomic_Alterations_in_Breast_Cancer_Tissues_A_Methodological_Perspective_b_/25514578

命令行下载

curl -L -o "lc-neg-annotated.csv" "https://ndownloader.figshare.com/files/45400144"
curl -L -o "lc-pos-annotated.csv" "https://ndownloader.figshare.com/files/45400147"
curl -L -o "Metadata.xlsx" "https://ndownloader.figshare.com/files/45400615"

文件清单

lc-neg-annotated.csv（108.96 KB）
lc-pos-annotated.csv（579.76 KB）
Metadata.xlsx（18.51 KB）

文件总体积 707.23 KB（源站 API 实测）。

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。

数据说明

The lipidomic datasets utilized in this study comprise LC-MS (Liquid Chromatography-Mass Spectrometry) data in positive and negative modes, derived from breast tumor samples obtained through the METACancer FP7 project. The sample collection process and ethical approvals have been previously documented by Hilvo et al. and Denkert et al. The breast cancer samples were categorized based on the expression status of specific biomarkers: HER2, ER (Estrogen Receptor), and PR (Progesterone Receptor) (Metadata).