环磷酰胺对三阴性乳腺癌模型肿瘤微环境影响的转录组分析
该数据集来自 NCBI,聚焦三阴性乳腺癌(TNBC)小鼠模型,通过整合 bulk 与单细胞 RNA 测序,分析环磷酰胺(CTX)对肿瘤微环境(TME)的影响

基本信息
资源简介
环磷酰胺对三阴性乳腺癌模型肿瘤微环境影响的转录组分析
该数据集来自 NCBI,聚焦三阴性乳腺癌(TNBC)小鼠模型,通过整合 bulk 与单细胞 RNA 测序,分析环磷酰胺(CTX)对肿瘤微环境(TME)的影响。研究比较了最佳(140 mg/kg,每 6 天,C140)与次优(100 mg/kg,每 6 天,C100)CTX 方案在 4T1 原位 TNBC 模型中的效果,发现 C100 耐受性更好但抑瘤作用较弱。数据可用于探索 CTX 抑制肿瘤细胞增殖与上皮-间质转化、调控 TME 的机制,支持转录组与单细胞层面的差异表达、细胞组成及功能分析(来源 ncbi.nlm.nih.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):三阴性乳腺癌(TNBC)仍是一项严峻的临床挑战。尽管利用 TNBC 小鼠模型开展的临床前研究已表明,间歇性环磷酰胺(CTX)治疗可产生更优的抗肿瘤效果,部分通过免疫刺激实现,但 CTX 调控肿瘤微环境(TME)的机制尚未完全阐明。在本研究中,我们评估了最佳(140 mg/kg 每 6 天,C140)与次优(100 mg/kg 每 6 天,C100)CTX 治疗方案对 4T1 肿瘤的影响,4T1 是一种广泛使用的原位 TNBC 小鼠模型。虽然 C100 方案比 C140 方案耐受性更好,但其抑制肿瘤生长的效果较差。通过对肿瘤组织进行整合的 bulk 与单细胞 RNA 测序,我们发现 CTX 治疗不仅抑制了癌细胞增殖和上皮-间质转化,而且
【主题与分类】
主题标签:Transcriptome or Gene expression。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/bioproject/PRJNA1406664
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://ncbi.nlm.nih.gov/bioproject/PRJNA1406664
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
三阴性乳腺癌(TNBC)仍然是一项严峻的临床挑战。尽管利用TNBC小鼠模型进行的临床前研究表明,间歇性环磷酰胺(CTX)治疗可产生更优的抗肿瘤效果,部分通过免疫刺激实现,但CTX调控肿瘤微环境(TME)的机制尚未完全阐明。在本研究中,我们评估了最佳方案(每6天140 mg/kg,C140)和次优方案(每6天100 mg/kg,C100)CTX治疗对4T1肿瘤的影响,4T1是一种广泛使用的原位TNBC小鼠模型。虽然C100方案的耐受性优于C140方案,但其抑制肿瘤生长的效果较差。通过对肿瘤组织进行bulk和单细胞RNA测序的整合分析,我们发现CTX治疗不仅抑制了癌细胞增殖和上皮-间质转化,还通过招募和重编程多种免疫细胞重塑了TME,从而以剂量依赖性方式增强了抗癌免疫应答。
尽管C140方案显示出显著的肿瘤抑制作用,但它也诱导了明显的细胞外基质重塑,并导致肿瘤微环境中癌症相关成纤维细胞的积聚。此外,C140方案引起了CD8+ T细胞的显著耗竭,并与多种免疫检查点分子表达增加相关,包括PD-L1/PD-L2、CD39和CD200。这些效应可能削弱治疗效果,并可能促进耐药性的产生。总体而言,我们的研究结果阐明了CTX在局部和全身水平上通过癌细胞内在机制和肿瘤微环境依赖机制发挥作用的双重途径,突出了优化TNBC化疗免疫治疗的潜在靶点。总体设计:在皮下成瘤实验中,将重悬于100 μL PBS缓冲液中的4T1细胞接种到每只小鼠的皮下乳腺区域(1×10
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




