基于基因组分级的ER阳性乳腺癌临床 distinct 分子亚型定义
该数据集来自NCBI，聚焦雌激素受体阳性乳腺癌的分子亚型划分。源站描述指出，研究利用基因表达分级指数（GGI）将ER阳性乳腺癌分为高、低基因组分级亚组，并与既往ER阳性分子分型比较，进一步在666例ER阳性样本中分类并评估临床结局
基本信息
资源简介
基于基因组分级的ER阳性乳腺癌临床 distinct 分子亚型定义
PRJNA98807 数据集来自 NCBI，主题聚焦雌激素受体（ER）阳性乳腺癌的分子亚型划分。源站描述指出，该研究旨在利用基因表达分级指数（GGI）对 ER 阳性乳腺癌进行基因组分级分层，将样本划分为高基因组分级与低基因组分级两个亚组，并与既往报道的 ER 阳性分子分型体系进行比较；作为进一步验证，研究对 666 例 ER 阳性样本进行了亚型分类并评估其临床结局。该数据集属于肿瘤/乳腺癌方向，主题标签为转录组或基因表达，适合关注乳腺癌分子分型与基因表达谱分析的研究者参考使用。
【数据集背景】
源站描述说明，既往多项微阵列研究报道了乳腺癌存在不同的分子表达谱，包括基底样型、ErbB2 样型以及两到三种腔面样亚型，这些亚型与不同临床结局相关。然而，尽管基底样型和 ErbB2 亚型被反复识别，雌激素受体阳性亚型的界定仍不一致，因此需要对其分子定义进行细化。该研究正是在这一背景下，采用已报道的基因表达分级指数（GGI）——一种基于基因表达谱定义组织学级别的算法——对 ER 阳性乳腺癌进行亚组划分，并与既往 ER 阳性分子分类进行比较，以推进 ER 阳性乳腺癌分子亚型的临床区分。
【数据内容】
该数据集的主题标签为转录组或基因表达，表明其核心数据为基因表达谱相关数据。源站描述提及研究使用基因表达分级指数（GGI）将 ER 阳性乳腺癌样本划分为高基因组分级和低基因组分级亚组，并在 666 例 ER 阳性样本中进行亚型分类与临床结局评估。除上述信息外，样本的具体数量构成、检测平台、基因数量、临床变量字段等细节，源站未提供。
【采集与来源】
该数据集来源于 ncbi.nlm.nih.gov，数据集英文名称为“PRJNA98807: Definition of clinically distinct molecular subtypes in estrogen receptor positive breast carcinomas using genomic grade”。源站描述中说明了研究目的、材料与方法及部分结果信息，但关于样本采集地点、采集时间、纳入排除标准、伦理审批信息等，源站未提供。
【适用场景】
基于源站描述，该数据集适用于雌激素受体阳性乳腺癌分子亚型划分相关的研究场景，例如：利用基因表达谱和基因表达分级指数（GGI）对 ER 阳性乳腺癌进行高、低基因组分级分层；将 GGI 分层结果与既往 ER 阳性分子分型体系进行比较；在 ER 阳性样本中开展亚型分类并关联临床结局评估。主题标签为转录组或基因表达，也提示其可用于基因表达谱层面的转录组分析。其他具体应用场景源站未提供。
【使用方法】
源站描述提到研究采用基因表达分级指数（GGI）算法，基于基因表达谱定义组织学级别，并据此将 ER 阳性乳腺癌分配到高或低基因组分级亚组，再与既往 ER 阳性分子分类比较，并在 666 例 ER 阳性样本中分类和评估临床结局。关于数据下载方式、文件格式、预处理步骤、分析软件与参数等操作细节，源站未提供。
【质量与限制】
源站描述未提供该数据集的质量评估信息，如样本质量、数据完整性、批次效应处理等。该研究的局限性、验证范围及结论的完整表述在源站描述中未完整呈现（描述在“Results: T”处截断），因此无法依据现有信息对数据质量与限制做出进一步判断。相关内容源站未提供。
【引用与许可】
源站未提供该数据集的引用方式与许可信息。
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/PRJNA98807
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
目的：多项微阵列研究报道了乳腺癌（BC）的不同分子特征：基底样型、ErbB2样型以及两到三种管腔样亚型。这些亚型与不同的临床结局相关。然而，尽管基底样型和ErbB2亚型被反复确认，雌激素受体（ER）阳性亚型的识别却一直不一致。因此，需要对其分子定义进行完善。材料与方法：我们此前报道了一种基因表达分级指数（GGI），该指数基于基因表达谱来定义组织学分级。利用这一算法，我们将ER阳性乳腺癌划分为高基因组分级或低基因组分级亚组，并将其与先前报道的ER阳性分子分型进行比较。作为进一步验证，我们将666例ER阳性样本分为不同亚型，并评估其临床结局。结果：利用GGI可以定义两个ER阳性分子亚组（高基因组分级和低基因组分级）。
尽管仅追踪单一生物学通路，这些分型与先前描述的luminal A和B分类高度可比，并与使用21基因复发评分产生的风险组显著相关。这两种亚型在未接受全身治疗和他莫昔芬治疗的人群中均与统计学上不同的临床结局相关。结论：使用基因组分级能够以简单且高度可重复的方式在多个数据集中识别出两个临床上有区别的ER阳性分子亚型。本研究强调了增殖相关基因在预测ER阳性乳腺癌预后中的重要作用。关键词：疾病状态分析 总体设计：来自原发性乳腺肿瘤的微阵列实验数据集，用于评估GGI、分子亚型与他莫昔芬耐药性之间的关系。无重复，无参考样本。
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
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。
