机器学习驱动的多组学整合揭示luminal A和B乳腺癌亚型甲基化依赖分子特征
该数据集来自一项基于机器学习的多组学整合研究，聚焦luminal A与luminal B乳腺癌亚型的甲基化依赖分子特征。研究使用INTEND算法在14种非乳腺癌的4,441对RNA-seq与DNA甲基化样本上训练，构建表观遗传过滤器，并应用于537例TCGA-BRCA luminal样本以提取CpG
基本信息
资源简介
机器学习驱动的多组学整合揭示luminal A和B乳腺癌亚型甲基化依赖分子特征
Machine learning-driven integration of multi-omics data uncovers methylation-dependent molecular signatures for luminal A and B breast cancer subtypes
该数据集来自一项基于机器学习的多组学整合研究，聚焦luminal A与luminal B乳腺癌亚型的甲基化依赖分子特征。研究使用INTEND算法在14种非乳腺癌的4,441对RNA-seq与DNA甲基化样本上训练，构建表观遗传过滤器，并应用于537例TCGA-BRCA luminal样本以提取CpG水平调控信号。数据集包含21个文件，涵盖模型识别出的相关信号数据，可用于乳腺癌亚型分类、表观遗传调控机制探索及多组学整合方法验证（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Machine learning-driven integration of multi-omics data uncovers methylation-dependent molecular signatures for luminal A and B breast cancer subtypes》发表于 Epigenomics（2026），DOI：10.1080/17501911.2026.2675550。项目资助方：This paper was not funded.。源站首次发布：2026-05-16。
【数据内容】
源站描述（机器翻译，仅供参考）：乳腺癌是女性最常见的恶性肿瘤，包含具有不同临床结局的分子亚型，如luminal A和luminal B。尽管luminal肿瘤占大多数病例，但区分luminal A与更具侵袭性的luminal B亚型的表观遗传机制仍不清楚。我们开发了一个可解释的机器学习流程，通过区分这些亚型来降低基因组噪声并识别甲基化依赖的调控特征。INTEND算法在来自14种癌症类型的4,441对RNA-seq和DNA甲基化样本上训练，排除乳腺癌以防止数据泄漏。该训练生成了一个表观遗传过滤器，用于识别其表达可由甲基化预测的基因。该过滤器应用于537例TCGA-BRCA luminal样本以预测表达并提取CpG水平调控信号。该模型识别出2,670个hi
【数据结构与技术规格】
文件数 21 个，合计 1.56 MB。数据集 DOI：10.6084/m9.figshare.32306278.v1。
【主题与分类】
源站学科分类：Cell Biology、Genetics、Molecular Biology、Environmental Sciences not elsewhere classified、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。主题标签：Breast cancer、DNA methylation、machine learning、multi-omics integration、luminal subtypes。本站分类：肿瘤/乳腺癌。
【适用方向】
源站学科分类标注为 Cell Biology、Genetics、Molecular Biology、Environmental Sciences not elsewhere classified、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。
【获取与许可】
源站页面：https://tandf.figshare.com/articles/dataset/Machine_learning-driven_integration_of_multi-omics_data_uncovers_methylation-dependent_molecular_signatures_for_luminal_A_and_B_breast_cancer_subtypes/32306278
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Machine learning-driven integration of multi-omics data uncovers methylation-dependent molecular signatures for luminal A and B breast cancer subtypes. Taylor & Francis. Elsisi, Mohamed; Maged, Mohamad; Elhwary, Mohamed; Abdallah, Kamal; Alaa-Eldin, Hamza; Elsherif, Assem K
【使用注意】
· 源站最后修改于 2026-05-26，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://doi.org/10.6084/m9.figshare.32306278.v1
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:
数据集大小约 1.6 MB。
数据说明
乳腺癌是女性最常见的恶性肿瘤，包括具有不同临床结局的分子亚型，如luminal A型和luminal B型。尽管luminal型肿瘤占大多数病例，但区分luminal A型与更具侵袭性的luminal B型之间的表观遗传机制仍不清楚。我们开发了一个可解释的机器学习流程，通过区分这些亚型来降低基因组噪声并识别甲基化依赖的调控特征。INTEND算法在来自14种癌症类型（排除乳腺癌以防止数据泄漏）的4，441对RNA-seq和DNA甲基化样本上进行训练。该训练生成了一个表观遗传过滤器，用于识别其表达可由甲基化预测的基因。该过滤器应用于537个TCGA-BRCA luminal样本以预测表达并提取CpG水平的调控信号。该模型识别出2，670个高置信度基因（R² ≥ 0.6），并实现了较强的预测准确性（平均R² = 0.76）。
通过过滤后数据集的差异表达分析并去除共享基因，鉴定了亚型特异性基因，产生了30个甲基化驱动的生物标志物，这些标志物以强甲基化-表达耦合和独特的亚型特异性表达模式为特征。该框架识别了潜在受甲基化控制、驱动管腔型乳腺癌分化的基因，在揭示CpG调控机制的同时降低了转录噪声。乳腺癌包含行为表现不同的多种类型。两种常见类型称为管腔A型和管腔B型，它们可能看起来相似，但结局可能不同。管腔B型肿瘤通常生长更快，也可能更为严重。在本研究中，我们采用基于计算机的方法来更好地理解这两种类型的差异所在。我们不仅仅关注基因活性，还聚焦于一种称为DNA甲基化的化学信号，它可以开启或关闭基因。我们首先使用来自多种癌症类型的数据训练模型。然后，我们将其应用于
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。
