基本信息

模态

基因组

任务类型

预测

创建/更新时间

2026-10-26

资源简介

局部晚期及炎性乳腺癌新辅助或辅助治疗患者的miRNA表达谱

该数据集英文名为 MIRNA Profiling of Breast Cancer in Patients Undergoing Neoadjuvant or Adjuvant Treatment for Locally Advanced & Inflammatory Breast Cancer，来源于 clinicaltrials.gov，主题标签为 Breast Cancer，在分类上归属于肿瘤 / 乳腺癌方向。其核心内容聚焦于局部晚期及炎性乳腺癌患者在接受新辅助或辅助治疗过程中的 miRNA 表达谱，旨在为理解该类患者对系统治疗的应答与耐药机制提供分子层面的观察窗口。数据集围绕乳腺癌治疗中的耐药预测难题展开，涉及 miRNA 调控、表观遗传改变、肿瘤细胞适应性突变及替代通路激活等多重机制背景，适合用于乳腺癌转化研究与治疗抵抗相关分析。

【数据集背景】

局部晚期及炎性乳腺癌的治疗通常依赖新辅助或辅助系统治疗，但现有治疗策略尚无法合理地纳入针对耐药机制的治疗药物。临床上面临的关键困难在于，既要预测患者对治疗药物的原发耐药，也要预测获得性耐药。耐药的逃逸途径具有复合性：肿瘤通常暴露于多种治疗药物的组合之下，耐药机制范围广泛，包括既有突变导致的固有耐药，miRNA 及其他表观遗传层面的调控性改变，基因多态性，肿瘤细胞通过新突变和替代通路激活实现的适应，药代动力学或基因组学层面的不理想状态，外排机制的激活以及修复机制的加速等。此外，并非所有适合接受原发手术并随后进行术后辅助治疗的患者都能从这类系统治疗中获益。该数据集正是在这一背景下，围绕乳腺癌患者的 miRNA 表达谱展开观察。

【数据内容】

该数据集的主题标签为 Breast Cancer，内容指向局部晚期及炎性乳腺癌患者在新辅助或辅助治疗过程中的 miRNA 表达谱。源站描述中提及的条件为 Breast Cancer，并围绕耐药相关的多种机制展开说明，包括 miRNA 调控、表观遗传改变、突变、多态性、替代通路激活、药代动力学与基因组学因素、外排机制及修复机制等。关于具体的样本数量、miRNA 种类、检测平台、表达矩阵格式、随访信息及临床变量等细节，源站未提供。

【采集与来源】

该数据集的来源站为 clinicaltrials.gov，属于肿瘤 / 乳腺癌分类下的数据资源。源站描述以乳腺癌为条件，说明了新辅助或辅助治疗中耐药预测的临床需求与机制复杂性。关于采集地点、采集时间、纳入排除标准、样本处理流程及检测方法等具体采集信息，源站未提供。

【适用场景】

该数据集适用于乳腺癌转化研究与临床治疗抵抗相关分析，尤其是局部晚期及炎性乳腺癌患者在新辅助或辅助治疗背景下的 miRNA 表达谱研究。其背景信息涉及原发耐药与获得性耐药的预测需求，以及固有突变、miRNA 与表观遗传调控、多态性、肿瘤细胞适应性突变、替代通路激活、药代动力学与基因组学因素、外排机制和修复机制等多类耐药相关机制，可用于围绕这些机制开展探索性分析。关于具体的分析任务类型与验证用途，源站未提供。

【使用方法】

源站未提供具体的使用方法说明，包括数据访问方式、文件组织格式、预处理步骤及分析流程等。

【质量与限制】

源站未提供关于数据质量评估、完整性、准确性及样本代表性等方面的具体说明。该数据集聚焦于局部晚期及炎性乳腺癌患者在新辅助或辅助治疗过程中的 miRNA 表达谱，其背景描述强调耐药机制的复合性与预测难度，相关结论的外推需结合具体研究设计加以判断。关于数据质量与使用限制的详细信息，源站未提供。

【引用与许可】

源站未提供引用方式与许可条款信息。

原始链接

https://clinicaltrials.gov/study/NCT01231386

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

源站：https://clinicaltrials.gov/study/NCT01231386

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。

数据说明

条件：乳腺癌。当前的新辅助或辅助治疗策略无法合理地纳入此类药物。需要工具来预测对治疗药物的原发性和获得性耐药。这是一项艰巨的任务，因为逃逸途径具有复合性质：肿瘤暴露通常面对的是治疗药物的组合，而耐药机制广泛多样：包括由现有突变导致的内在耐药，或调控性——miRNA、其他表观遗传——改变、多态性、肿瘤细胞通过新突变和替代通路激活而产生的适应、药代动力学/基因组学欠佳、外排机制激活、加速修复机制参与。同样，并非所有适合接受原发手术干预并随后进行术后辅助治疗的患者都能从这类全身治疗中获益。耐药机制——无论是存活干细胞/致瘤成分中的原发耐药，还是手术干预后“休眠”残留细胞获得的耐药——尚未被充分阐明。接受新辅助化疗的乳腺肿瘤允许进行基线和治疗影响后的采样。

从不同类型乳腺癌亚型中获取的原发肿瘤核心活检标本（这些标本在新辅助治疗暴露前采集），以及随后治疗中期和术中（新辅助治疗完成后在确定性手术期间采集）样本的表征，应有助于评估治疗前和治疗后miRNA表达谱对完全缓解和近完全缓解的预测价值，作为生存的替代标志物。同样，当以病理缓解作为分类器，以监督分类方式分析治疗前后miRNA表达谱时，可能显现出原发性和获得性耐药的模式。从任何全身治疗暴露前即行原发肿瘤手术切除的患者中获取的样本……

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