PRJNA95149:人类癌症缺氧应答的基因表达程序:细胞类型特异性与预后意义
该数据集来自 ncbi.nlm.nih.gov,包含 58 个芯片,是发表于 PLoS Medicine 的缺氧研究的基础数据,标注了细胞类型、氧张力和时间点

基本信息
资源简介
PRJNA95149:人类癌症缺氧应答的基因表达程序:细胞类型特异性与预后意义
该数据集来自 ncbi.nlm.nih.gov,包含 58 个芯片,是发表于 PLoS Medicine 的缺氧研究的基础数据,标注了细胞类型、氧张力和时间点。研究关注缺氧触发的细胞应答及 HIF 转录因子的核心作用,分析原代肾近端小管上皮细胞等不同细胞类型在缺氧下全局转录水平的时间变化,探讨不同细胞类型间缺氧转录应答的差异及其与组织和细胞特异性疾病的关联。数据可用于研究缺氧应答的基因表达程序、细胞类型特异性及在人类癌症中的预后意义(来源 ncbi.nlm.nih.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):这 58 个芯片是我们发表于 PLoS Medicine 的缺氧研究的基础。图中标明了细胞类型、氧张力和时间点。摘要:背景:氧气不足(缺氧)会触发多方面的细胞应答,这种应答在正常生理和许多人类疾病中具有重要作用。转录因子缺氧诱导因子(HIF)在缺氧应答中发挥核心作用;其活性受 HIF-1alpha 蛋白氧依赖性降解的调控。尽管缺氧应答普遍存在且十分重要,但不同细胞类型之间全局转录应答对缺氧的变化差异,以及这种差异如何与组织和细胞特异性疾病相关,仍知之甚少。方法与发现:我们分析了原代肾近端小管上皮细胞、br
【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/PRJNA95149
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/PRJNA95149
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
这58个阵列是我们发表于《PLoS Medicine》的低氧研究的基础。图中标明了细胞类型、氧张力和时间点。摘要:背景:氧气不足(低氧)会触发多方面的细胞反应,这些反应在正常生理学和许多人类疾病中具有重要作用。转录因子——低氧诱导因子(HIF)在低氧反应中发挥核心作用;其活性受HIF-1α蛋白氧依赖性降解的调控。尽管低氧反应普遍存在且十分重要,但不同细胞类型之间对低氧的整体转录反应的差异,以及这种差异如何与组织和细胞特异性疾病相关,目前知之甚少。方法与结果:我们使用DNA微阵列分析了原代肾近端小管上皮细胞、乳腺上皮细胞、平滑肌细胞和内皮细胞在低氧条件下整体转录水平的时间变化。低氧转录反应的程度在肾小管细胞中最大。
这种增强的反应与肾细胞中HIF-1alpha RNA水平异常升高相关,并且可以通过RNA干扰降低HIF-1alpha表达来减弱。我们基于对培养的乳腺和肾小管上皮细胞的研究得出的缺氧反应基因表达特征,在几种人类癌症中显示出协调变异,并且是乳腺癌和卵巢癌临床结果的强预测因子。在分析来自乳腺癌的大型已发表基因表达数据集时,我们发现缺氧特征中的预后信息几乎独立于先前报道的创伤特征所提供的信息,并且比当前使用的任何临床参数更能预测结果。结论:人类细胞对缺氧的转录反应各不相同。其中一些差异可归因于
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。




