PRJNA1263890:WT TP53但TP53介导凋亡缺陷的AML患者生存期极差
该数据集来自NCBI,聚焦急性髓系白血病(AML)中TP53野生型(WT)但TP53介导凋亡缺陷的患者。研究对165例AML患者原始细胞进行体外MDM2抑制剂MI219处理,并对10例耐药和10例敏感且TP53野生型的AML病例在基线及处理2小时、6小时进行芯片表达谱分析

基本信息
资源简介
PRJNA1263890:WT TP53但TP53介导凋亡缺陷的AML患者生存期极差
该数据集来自NCBI,聚焦急性髓系白血病(AML)中TP53野生型(WT)但TP53介导凋亡缺陷的患者。研究对165例AML患者原始细胞进行体外MDM2抑制剂MI219处理,并对10例耐药和10例敏感且TP53野生型的AML病例在基线及处理2小时、6小时进行芯片表达谱分析。数据可用于研究MDM2抑制剂诱导凋亡的耐药机制、TP53反应基因表达差异及炎症相关基因表达特征,支持耐药与敏感AML的分类分析(来源 ncbi.nlm.nih.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):携带TP53突变的急性髓系白血病(AML)患者生存期极差。我们报告了对165例AML患者原始细胞进行体外MDM2抑制剂MI219(一种p53蛋白稳定剂)治疗反应的详细表征结果,分析重点为TP53野生型(WT)患者。总体上,33%的AML对MDM2抑制剂诱导的凋亡绝对耐药,其中45%携带TP53突变,55%为TP53野生型。我们对10例耐药和10例敏感且TP53状态为野生型的AML病例分别在基线以及MDM2抑制剂处理2小时和6小时后进行了基于芯片的表达谱分析。敏感病例显示经典TP53反应基因的诱导,而耐药病例中这种诱导缺失或减弱。此外,基线的敏感和耐药AML样本在炎症相关基因表达上存在显著差异。
【主题与分类】
主题标签:Transcriptome or Gene expression。本站分类:肿瘤/白血病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/bioproject/PRJNA1263890
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/bioproject/PRJNA1263890
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
携带TP53突变的急性髓系白血病(AML)患者生存情况极差。我们报告了165例AML患者原始细胞经MDM2抑制剂MI219(一种p53蛋白稳定剂)体外处理后反应详细特征分析的结果,分析重点集中于TP53野生型(WT)患者。总计33%的AML对MDM2抑制剂诱导的凋亡绝对耐药,其中45%携带TP53突变,55%为TP53野生型。我们对10例TP53野生型耐药和10例敏感AML病例分别在基线、MDM2抑制剂处理2小时和6小时后进行了基于芯片的表达谱分析。敏感病例显示经典TP53反应基因的诱导,而耐药病例中该反应缺失或减弱。此外,基线下敏感与耐药AML样本在炎症相关基因和线粒体基因表达上存在显著差异。TP53突变AML患者无一存活。尽管TP53为野生型,但MDM2抑制剂诱导的TP53介导凋亡存在缺陷的AML患者4年生存率极差,NPM1共突变时为19%,NPM1野生型时为6%。
总之,我们发现了急性髓系白血病(AML)中TP53介导的细胞凋亡普遍存在多因素缺陷,导致患者生存率极低。总体设计:我们在纯化的AML细胞样本中获得了对MDM2抑制剂治疗的IC50值。我们分别选取了10个敏感样本和10个耐药样本,并在基线(0小时)、2小时和6小时进行了基于芯片的表达分析。
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。




