机器学习方法定义和预测泛癌Hippo通路依赖性的治疗景观（ATAC-seq）
基于ATAC-seq数据的机器学习方法，定义并预测泛癌中Hippo通路依赖性的治疗景观。
基本信息
资源简介
机器学习方法定义和预测泛癌Hippo通路依赖性的治疗景观（ATAC-seq）
【一句话概览】
该数据集来自PRJNA675182（Bioinformatics, Genentech Inc.），为PATU 8902和Detroit 562细胞中siNTC与siYAP/TAZ的ATAC-seq。研究用机器学习框架整合多组学数据，识别不依赖谱系的基因表达特征以量化癌症Hippo通路依赖性，并提出联合MAPK抑制靶向Hippo依赖癌症的策略，阐明其分子机制（来源 NCBI）。
【数据集背景】
本数据集源站标题为《A Machine-learning approach to define and predict the therapeutic landscape of pan-cancer Hippo pathway dependency (ATAC-seq)》。源站首次发布：2021-01-30。
【数据内容】
源站原始描述：One challenge of cancer precision medicine is the heterogeneity of genetic and non-genetic alterations that result in dysfunctional molecular pathways. As an emerging drug discovery effort, dysregulation in Hippo pathway signaling is known to drive oncogenesis across numerous cancer types but lacks recurrent mutation(s) that are often found in other canonical signaling pathways. Here, we use first principles approach to develop a machine-learning framework to identify a robust, lineage-independe…
中文译文（机器翻译，仅供快速理解，请以原文为准）：癌症精准医学面临的挑战之一是遗传和非遗传改变的异质性，这些改变会导致分子通路功能失调。作为一个新兴的药物发现方向，Hippo通路信号失调已知可在多种癌症类型中驱动肿瘤发生，但缺乏其他经典信号通路中常见的复发性突变。在此，我们采用第一性原理方法开发了一个机器学习框架，以识别一种稳健的、谱系无关的基因表达特征，用于量化癌症中的Hippo通路依赖性。通过整合多组学平台的数据，这种数据驱动的方法使我们能够提出一种与MAPK抑制联合的方案，以直接靶向Hippo通路依赖性癌症，随后我们阐明了其潜在分子机制。结果强调了多层面方法——将计算模型与实验室工作相结合——如何加速精准医学工作，以共同靶向Hippo和MAPK通路；这一方法可推广至其他关键癌症信号通路，以定义治疗策略。总体设计：对PATU 8902和Detroit 562的siNTC与siYAP/TAZ进行ATAC-seq。
【主题与分类】
主题标签：PRJNA675182、Bioinformatics, Genentech Inc.。
【适用方向】
组学数据适用于生物标志物发现与分子分型相关建模研究。
【获取与许可】
源站页面：https://www.ncbi.nlm.nih.gov/sra/SRP291547
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://www.ncbi.nlm.nih.gov/sra/SRP291547
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:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
