动态增强MRI揭示放化疗抵抗宫颈癌缺氧诱导基因表达
该数据集来自omicsdi.org,聚焦宫颈癌放化疗抵抗相关的基因表达与影像特征。基于78例接受根治性放化疗的宫颈癌患者,通过Brix模型药代动力学分析DCE-MR图像获得预后参数ABrix,并结合46例肿瘤的配对DCE-MRI与基因表达数据开展基因集富集分析,发现ABrix与缺氧基因集显著相关

基本信息
资源简介
动态增强MRI揭示放化疗抵抗宫颈癌缺氧诱导基因表达
该数据集来自omicsdi.org,聚焦宫颈癌放化疗抵抗相关的基因表达与影像特征。基于78例接受根治性放化疗的宫颈癌患者,通过Brix模型药代动力学分析DCE-MR图像获得预后参数ABrix,并结合46例肿瘤的配对DCE-MRI与基因表达数据开展基因集富集分析,发现ABrix与缺氧基因集显著相关。数据可用于探索ABrix的分子表型、构建反映ABrix的基因签名及研究宫颈癌缺氧与放化疗抵抗的关联(来源 omicsdi.org)。
【数据内容】
源站描述(机器翻译,仅供参考):我们探索了动态增强磁共振成像(DCE-MRI)参数ABrix在宫颈癌中的预后影响,结合全局基因表达数据以揭示该参数背后的分子表型,并构建反映ABrix的基因签名。基于78例接受根治性放化疗的宫颈癌患者,我们通过基于Brix模型的DCE-MR图像药代动力学分析确定了一个预后ABrix参数,其中ABrix低的肿瘤似乎最具侵袭性。对46例具有配对DCE-MRI和基因表达数据的肿瘤进行基因集富集分析显示,ABrix与缺氧基因集之间存在显著相关性,而与增殖、放射抵抗和伤口愈合相关的基因集则不显著。在细胞培养实验中创建的宫颈癌特异性缺氧基因集,包括……的靶点
【主题与分类】
主题标签:Transcriptomics。本站分类:肿瘤/宫颈癌。
【获取与许可】
源站页面:https://omicsdi.org/dataset/biostudies-arrayexpress/E-GEOD-36562
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://omicsdi.org/dataset/biostudies-arrayexpress/E-GEOD-36562
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
我们探讨了宫颈癌中动态对比增强磁共振成像(DCE-MRI)参数ABrix的预后影响,并结合全局基因表达数据,以揭示该参数潜在的分子表型,并构建反映ABrix的基因特征。基于78例接受根治性放化疗的宫颈癌患者,我们通过基于Brix模型的DCE-MR图像药代动力学分析,确定了一个预后性的ABrix参数,其中ABrix低的肿瘤似乎最具侵袭性。对46例具有配对DCE-MRI和基因表达数据的肿瘤进行基因集富集分析显示,ABrix与缺氧基因集之间存在显著相关性,而与增殖、放射抵抗和伤口愈合相关的基因集则不显著。在细胞培养实验中创建的宫颈癌特异性缺氧基因集,包括缺氧诱导因子(HIF1M-NM-1)的靶点和未折叠蛋白反应(UPR),最为显著。在其余32例肿瘤中,通过免疫组织化学评估,低ABrix与HIF1M-NM-1蛋白表达上调相关,这与缺氧增加一致。
基于缺氧基因集,构建了一个由31个基因组成的特征标签,这些基因在ABrix低的肿瘤中表达上调。该DCE-MRI缺氧基因特征在109例患者的独立验证队列中显示出预后影响。在46例患者(DCE-MRI队列)中识别出与DCE-MRI参数ABrix相关的基因表达,并用于寻找缺氧基因特征。该基因特征的预后影响在109例患者的独立队列(验证队列)中得到验证。进行了细胞培养实验,以生成与缺氧相关的宫颈癌特异性基因列表(GSM897799 - GSM897804)。
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。




