整合轨迹推断与自解释预测模型探索单细胞分辨率下乳腺癌细胞状态转变

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA1216591

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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

乳腺癌的特征在于高度异质的细胞环境，由多种恶性克隆和肿瘤微环境（TME）组分构成，它们共同影响疾病的进展。单细胞RNA测序（scRNA-seq）为解析这一复杂性提供了强有力的工具，能够以高分辨率表征肿瘤异质性及TME内的功能性相互作用。此外，它还支持发现具有临床意义的相关亚群和潜在治疗靶点。在本研究中，我们展示了一个来自浸润性导管乳腺癌的新型scRNA-seq数据集，对超过5，000个细胞进行了分析，并鉴定出涵盖癌细胞和TME群体的六个不同聚类。为探索细胞状态转变的分子驱动因素，我们将拟时序轨迹推断与可解释的、基于树的机器学习相结合。该方法能够鉴定与动态表型转变相关的关键基因和表达阈值。与黑箱模型不同，我们的框架可对肿瘤演化过程中的转录重编程提供透明、基于规则的见解。

由此产生的数据集，配以易于获取且透明的分析流程，为乳腺癌研究界提供了宝贵的资源，并为未来旨在优化分子分类和精准治疗开发的研究奠定了基础。总体设计：我们分析了来自乳腺癌组织的单细胞RNA测序数据。

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。