人类肺类癌转录组学分析数据集

该数据集包含人类肺类癌组织的多组学数据,涵盖靶向外显子测序、mRNA测序和DNA甲基化检测等多种分子模态,通过分析基因表达和表观遗传特征,揭示了三种具有不同临床特征的分子亚型,主要用于肺类癌的分子分型、生物标志物发现以及改善临床治疗决策的研究方向。

Rutgers Cancer Institute of New JerseyRutgers Cancer Institute of New Jersey
干细胞与再生医学数据中心
2022-02-20 更新
浏览 12
肺类癌基因组学

基本信息

创建/更新时间
2022-02-20

资源简介

该数据集是一个针对人类肺类癌(Lung Carcinoids, LCs)的多组学数据集。肺类癌是一种罕见且生长缓慢的原发性肺部肿瘤,研究相对不足。数据集通过大块组织切割样本,进行了354个癌症基因靶向外显子测序(n=29)、mRNA测序(n=30)和DNA甲基化检测(n=18)。研究发现,突变主要富集于组蛋白共价修饰/染色质重塑(如MEN1、ARID1A、KMT2C和KMT2A基因反复突变)和DNA修复通路。基于基因表达和DNA甲基化谱的无监督聚类和主成分分析揭示了三种稳健的分子亚型(LC1、LC2、LC3),这些亚型具有不同的临床特征。其中,MEN1基因突变在LC2亚型中显著富集且为特有。LC3亚型主要见于支气管内肺部,且诊断年龄较早。通过ASCL1和S100两种生物标志物的免疫组化染色即可区分这三种亚型。该分子分类有助于改善肺类癌的治疗决策和临床管理。

原始链接

http://data.iscr.ac.cn/Article?id=9615f0a8ca3f2960e08d6ec4c60465b8

访问原始数据

官方服务

如需原始数据获取支持或标注服务,请联系我们。

帮我联系

下载信息

注册下载

Tips: 该数据集需要在对应的数据源网站注册通过后,才能进行数据下载,注册有对应要求,或者需要收费。

暂未开放

公开下载

Tips: 该数据集属于公开下载,应该可以免费公开下载。

暂未开放

有偿下载

Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务,注意,服务不针对数据相关产权,只是技术服务费。

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

千方医数集,医疗数据集部分,是为社区服务的公开医疗数据集搜索引擎,并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求,可以和客服联系,或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。

使用方式

数据集获取

源站:http://data.iscr.ac.cn/Article?id=9615f0a8ca3f2960e08d6ec4c60465b8

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 openxlabopenxlab.dataset.get(...)
    • ModelScope: pip install modelscopemodelscope 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

该数据集是一个针对人类肺类癌(Lung Carcinoids, LCs)的多组学数据集。肺类癌是一种罕见且生长缓慢的原发性肺部肿瘤,研究相对不足。数据集通过大块组织切割样本,进行了354个癌症基因靶向外显子测序(n=29)、mRNA测序(n=30)和DNA甲基化检测(n=18)。研究发现,突变主要富集于组蛋白共价修饰/染色质重塑(如MEN1、ARID1A、KMT2C和KMT2A基因反复突变)和DNA修复通路。基于基因表达和DNA甲基化谱的无监督聚类和主成分分析揭示了三种稳健的分子亚型(LC1、LC2、LC3),这些亚型具有不同的临床特征。其中,MEN1基因突变在LC2亚型中显著富集且为特有。LC3亚型主要见于支气管内肺部,且诊断年龄较早。通过ASCL1和S100两种生物标志物的免疫组化染色即可区分这三种亚型。该分子分类有助于改善肺类癌的治疗决策和临床管理。

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))

精度瓶颈?数据缺失?

当前公开数据无法满足您的算法精度?千方提供针对 类癌瘤 的高质量、多模态真实临床数据定制解决方案。

获取专属数据定制方案