乳腺癌转移亚型下游信号建模与药物重定位基因表达数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA203083

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

乳腺癌脑转移患者的基因表达谱分析 脑转移是乳腺癌预后最差的情况，因为目前尚无能够阻止或消除癌症向脑部扩散的疗法。我们开发了一种新的计算建模方法，用以推导特定的下游信号通路，从而揭示未知的靶点-疾病关联以及特定癌症亚型的新机制。该模型使我们能够基于患者现有的基因表达数据来进行药物重定位。我们将该模型应用于已知或搁置药物对乳腺癌脑、肺和骨转移的重新利用，假设癌症亚型具有其自身特定的信号机制。为验证该假设，我们针对每种转移研究了特定的CSB，这些CSB满足以下条件：(1) CSB蛋白被该转移特异的最大数量的富集信号通路所激活；(2) CSB蛋白参与该特定乳腺癌转移特异的最多差异表达编码基因。

所确定的三种转移类型的信号网络分别包含31、15和18种蛋白质，并用于为乳腺癌的脑、肺和骨转移重新定位15、9和2种候选药物。我们进行了体外和体内临床前实验，以及对患者肿瘤标本的分析，以评估靶点和重新定位的药物。两种已知药物，舒尼替尼（FDA批准用于肾细胞癌和对伊马替尼耐药的胃肠道间质瘤）和达沙替尼（FDA批准用于伊马替尼治疗后的慢性髓性白血病（CML）和费城染色体阳性急性淋巴细胞白血病），被证明可以阻止脑部的转移性定植。总体设计：TMH-52队列包括11名在乳腺癌诊断时检查出脑转移的患者。其他41名患者在乳腺癌诊断时检查出其他器官转移

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。