宫颈癌细胞系基因表达谱数据集
该数据集为宫颈癌来源细胞系的基因表达谱数据，包含SiHa、HeLa和C33A三种宫颈癌细胞系，并以非致瘤性HaCaT细胞系作为对照
基本信息
资源简介
宫颈癌细胞系基因表达谱数据集
GSE241703 是一个聚焦宫颈癌来源细胞系基因表达谱的公开数据集，源站标题为“Cervical Cancer derived cell lines: Gene Expression Profile”，在本地分类中归入肿瘤／宫颈癌方向，来源站为 ncbi.nlm.nih.gov。该数据集围绕 SiHa、HeLa 和 C33A 三种宫颈癌细胞系开展表达谱分析，并纳入非致瘤性 HaCaT 细胞系作为对照，目的是识别这些细胞模型中的差异表达基因。数据通过 Illumina NovaSeq 6000 平台进行 mRNA 测序获得，每种细胞模型设置两个独立重复序列。数据集以单个文件形式提供，样例文件为 GSE241703_series_matrix.txt.gz，整体体量精简，适合作为宫颈癌细胞系转录组表达谱的参考数据使用。
【数据集背景】
宫颈癌是肿瘤研究中的重要方向，细胞系模型是开展基因表达与差异分析的基础工具。该数据集以“宫颈癌来源细胞系的基因表达谱”为主题，选取 SiHa、HeLa 和 C33A 三种宫颈癌细胞系作为研究对象，同时引入非致瘤性 HaCaT 细胞系作为对照，从而在癌源细胞系与非致瘤细胞系之间形成比较框架。其分析目标明确指向差异表达基因的识别，属于表达谱研究中的典型设计。
【数据内容】
数据集的核心内容是上述四种细胞模型的基因表达谱，来源于 mRNA 测序。每种细胞模型均包含两个独立重复序列，为后续差异表达分析提供了重复层面的支持。数据集文件数量为 1，样例文件名为 GSE241703_series_matrix.txt.gz，属于 GZIP 压缩格式的表达谱矩阵文件。主题标签涵盖“Expression profiling by high throughput sequencing”、GPL24676 与 9606，分别对应高通量测序表达谱、平台编号与物种编号信息。
【采集与来源】
数据由 Leonardo、Fernandez-Avila 作为作者发布，发布时间为 Aug 24 202，来源站为 ncbi.nlm.nih.gov。测序工作在 Illumina NovaSeq 6000 平台上完成，由北京诺禾致源生物信息科技有限公司（Novogene Bioinformatics Technology Co., Ltd, Beijing, China）执行。样本涉及 SiHa、HeLa、C33A 三种宫颈癌细胞系以及 HaCaT 对照细胞系，每种细胞模型设置两个独立重复。
【适用场景】
该数据集适用于宫颈癌细胞系相关的基因表达谱研究，可用于比较宫颈癌细胞系与非致瘤性 HaCaT 对照之间的表达差异，识别差异表达基因，并作为宫颈癌转录组分析的参考数据。由于包含三种宫颈癌细胞系，也可用于观察不同细胞模型之间的表达谱异同。其高通量测序表达谱属性使其适合作为表达谱类分析流程的输入数据。
【使用方法】
使用时可先下载数据文件 GSE241703_series_matrix.txt.gz，按 GZIP 压缩包格式进行读取。建议先在小样本上核对字段与编码，确认无误后再批量接入后续分析流程，以降低因格式或编码问题导致的处理偏差。
【质量与限制】
数据集为每种细胞模型设置两个独立重复序列，具备基本的重复设计；测序平台与执行机构信息明确。除此之外，样本量、批次信息、质控指标等未在源站描述中展开，源站未提供更详细的质量评估内容。使用时应结合自身分析目的评估重复数量对统计效力的影响。
【引用与许可】
作者信息为 Leonardo、Fernandez-Avila，来源站为 ncbi.nlm.nih.gov。关于该数据集的具体许可条款与正式引用格式，源站未提供。
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/geo/query/acc.cgi?acc=GSE241703
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
本分析旨在识别宫颈癌细胞系中的差异表达基因。所用细胞系为SiHa、HeLa和C33A，并以非致瘤性HaCaT细胞系作为对照。mRNA测序由北京诺禾致源生物信息科技有限公司在Illumina NovaSeq 6000平台上完成，每种细胞模型设置两个独立重复测序。方法：生物信息学流程分析按以下描述执行：使用Rstudio（v2023.06.1+524）和Galaxy（https://www.usegalaxy.org，于2023年8月15日访问）开源平台分析Illumina原始数据。通过FastQC工具（v0.12.1）进行质量检查。随后，所有reads由Rsubread包（v2.14.2）处理；此时对reads进行修剪并比对至人类基因组参考序列（GRCh38.p14 v43）。获得的输出为：BAM文件，其reads数由featureCounts工具（v2.0.3）计数；最后一步，通过DESeq2工具（v2.11.40.8）完成差异表达分析。
差异基因表达测量值采用DESeq2的中位数比值法（即基因计数相对于每个基因几何均值的中位数比值）进行标准化。所有趋化因子基因中，校正p值（adj p）小于或等于0.05且倍数变化（Log2FC）达到2或小于-2的基因被筛选为差异表达基因（DEGs）。对所得输出中的部分基因通过qPCR进行了验证。结论：我们的研究在SiHa细胞系中发现了5850个差异表达基因，在HeLa中发现了6698个，在C33a中发现了6707个。
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。
