PRISM药物再利用筛选数据集
PRISM包含多种小分子在癌症细胞系中的活性和细胞存活率筛选结果，可用于药物再利用研究。由Broad Institute提供，来自DepMap Portal，数据格式为表格，包含499条数据记录，适用于分类任务，专注于肿瘤领域的癌症（总论）研究。
基本信息
资源简介
PRISM药物再利用筛选数据集
【一句话概览】
PRISM Repurposing 数据集包含使用 Broad Repurposing Library 和 PRISM 多重细胞系活力测定生成的小分子活力数据。主数据集涵盖 4,518 种化合物对 578 或 562 个细胞系的混合细胞系化学扰动活力筛选结果；次数据集涵盖 1,448 种化合物对 499 个细胞系的筛选结果，采用 8 步 4 倍稀释，起始浓度 10μM。数据处理步骤见 README 文件，方法详情将发表于后续出版物（来源 depmap.org）。
【数据集背景】
本数据集源站标题为《PRISM Repurposing dataset》。
【数据内容】
源站原始描述：The SIGMA Repurposing release contains small molecule viability datasets generated using the Broad Repurposing Library and the PRISM multiplexed cell-line viability assay. The primary PRISM Repurposing dataset contains the results of pooled-cell line chemical-perturbation viability screens for 4,518 compounds screened against 578 or 562 cell lines. The secondary PRISM Repurposing dataset contains the results of pooled-cell line chemical-perturbation viability screens for 1,448 compounds screened…
中文译文（机器翻译，仅供快速理解，请以原文为准）：SIGMA Repurposing发布包含使用Broad Repurposing文库和PRISM多重细胞系活力测定法生成的小分子活力数据集。主要的PRISM Repurposing数据集包含针对578或562种细胞系筛选的4,518种化合物的混合细胞系化学扰动活力筛选结果。次要的PRISM Repurposing数据集包含针对499种细胞系筛选的1,448种化合物的混合细胞系化学扰动活力筛选结果，采用从10μM开始的8步4倍稀释。数据处理步骤在README文件中描述。方法的进一步描述将在即将出版的出版物中发布。
【主题与分类】
主题标签：drug repurposing、cancer、cell lines、PRISM、viability profiling、small molecule、non-oncology drugs。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://depmap.org/repurposing/
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://depmap.org/repurposing/
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
PRISM包含多种小分子在癌症细胞系中的活性和细胞存活率筛选结果，可用于药物再利用研究。
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。
