MAF扩增赋予Estrogen Receptor Alpha驱动乳腺癌转移的能力
该数据集来自omicsdi.org,属于肿瘤/乳腺癌分类,主题围绕MAF扩增如何通过Estrogen Receptor Alpha驱动乳腺癌转移

基本信息
资源简介
MAF扩增赋予Estrogen Receptor Alpha驱动乳腺癌转移的能力
该数据集来自omicsdi.org,属于肿瘤/乳腺癌分类,主题围绕MAF扩增如何通过Estrogen Receptor Alpha驱动乳腺癌转移。源站描述指出,MAF扩增增加乳腺癌转移风险,其机制尚不明确但具有重要临床意义;雌激素受体阳性乳腺癌依赖雌激素维持早期生长,并最终以未知机制支持转移。研究整合蛋白质组学、(表观)基因组学及来自人类与同源乳腺癌小鼠模型的功能实验,显示MAF直接与ERalpha相互作用,促进有利于ER+乳腺癌细胞转移扩散的独特染色质状态,并鉴定出一组在EERa2暴露后以MAF依赖方式从头获得许可的促转移基因,包括影响细胞身份建立且已知参与转移起始的因子(如SOX9)以及骨调节因子(来源 omicsdi.org)。
【数据内容】
源站描述(机器翻译,仅供参考):MAF扩增通过尚不清楚的机制增加乳腺癌(BCa)转移风险,但具有重要的临床意义。与雌激素(E2)依赖相关的雌激素受体阳性(ER+)BCa维持早期乳腺癌的生长,但最终以未知机制支持转移。在此,我们整合了来自人类和同源BCa小鼠模型的蛋白质组学、(表观)基因组学和功能实验,表明MAF直接与ERalpha相互作用,从而促进一种有利于ER+ BCa细胞转移扩散的独特染色质状态。事实上,我们鉴定出一组在EERa2暴露后以MAF依赖方式从头获得许可的促转移基因。在这些基因中,我们发现了影响细胞身份建立且已知在转移起始中发挥作用的因子(例如SOX9),以及骨的调节因子
【主题与分类】
主题标签:Estrogen signaling、Breast cancer、Metastasis、Maf。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://omicsdi.org/dataset/pride/PXD035936
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://omicsdi.org/dataset/pride/PXD035936
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
MAF扩增通过尚未充分了解的机制增加乳腺癌(BCa)转移风险,但具有重要的临床意义。与雌激素(E2)依赖性相关的雌激素受体阳性(ER+)BCa维持早期乳腺癌的生长,但最终通过未知机制支持转移。在此,我们整合了来自人类和同系BCa小鼠模型的蛋白质组学、(表观)基因组学和功能分析,表明MAF直接与ERalpha相互作用,从而促进一种独特的染色质状态,有利于ER+ BCa细胞的转移扩散。事实上,我们鉴定了一组在EERa2暴露后以MAF依赖性方式从头获得许可的转移促进基因。在这些基因中,我们发现了影响细胞身份建立且已知在转移起始中发挥作用的因子(例如SOX9),以及骨基质的调节因子,它们最终有助于准备骨转移“土壤”(例如FGF18、PTHLH和JAG1)。促进MAF/E2基因集表达的表观基因组重塑的核心是组蛋白去甲基化酶KDM1A。
确实,KDM1A活性的丧失可阻止MAF/E2介导的BCa转移。综上所述,我们在此揭示了MAF/E2介导转移的分子框架,并证明遗传、表观遗传及激素系统性信号在BCa细胞中整合,决定其转移成功与否,进而影响患者预后。
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。




