弥漫性大B细胞淋巴瘤亚群中大规模转录扰动数据集
该数据集包含364例弥漫性大B细胞淋巴瘤（DLBCL）患者的转录组学数据，通过相关基因集分析（CGSA）方法揭示了三种不同的肿瘤表达谱，涉及增殖、基质免疫反应及低激活等表型，主要用于研究DLBCL的分子机制、转录调控及亚型分类，为淋巴瘤的精准分型和治疗策略提供数据支持。
基本信息
资源简介
弥漫性大B细胞淋巴瘤亚群中大规模转录扰动数据集
【数据集背景】
本数据集源站标题为《Massive Transcriptional Perturbation in Subgroups of Diffuse Large B-cell Lymphomas》。源站首次发布：Jan 23 201。
【数据内容】
源站原始描述：Based on the assumption that molecular mechanisms involved in cancerogenesis are characterized by groups of coordinately expressed genes, we developed and validated a novel method for analyzing transcriptional data called Correlated Gene Set Analysis (CGSA). Using 50 extracted gene sets we identified three different profiles of tumors in a cohort of 364 Diffuse large B-cell (DLBCL) and related mature aggressive B-cell lymphomas other than Burkitt lymphoma. The first profile had high level of exp…
【数据结构与技术规格】
文件数 1 个。
【主题与分类】
主题标签：Expression profiling by array、GPL96、9606。
【获取与许可】
源站页面：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE43677
【使用注意】
· 源站最后修改于 Aug 10 201，引用时请注意版本时效。
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/geo/query/acc.cgi?acc=GSE43677
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
该数据集包含364例弥漫性大B细胞淋巴瘤（DLBCL）及相关成熟侵袭性B细胞淋巴瘤（非伯基特淋巴瘤）患者的转录组数据。研究基于相关基因集分析（CGSA）方法，通过50个提取的基因集识别出三种不同的肿瘤表达谱：第一种表现为与增殖相关基因的高表达；第二种呈现基质和免疫反应表型；第三种则显示出类似于正常B细胞的低水平全局基因激活。这些谱系揭示了DLBCL在代谢和生物合成相关的大规模基因激活水平上的新复杂性，并表明高激活组内存在导致不同表型（增殖型或基质/免疫反应型）的差异行为。数据来源于GEO数据库（GSE43677），主要用于癌症分子机制、转录组学分析及淋巴瘤亚型分型研究。
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。
