基于实验设计优化的微阵列增强组合分析肿瘤细胞-ECM相互作用

数据集获取

源站：https://search.dataone.org/view/sha256%3Ac9b0d9ba324fe11be3477eeab1c9b4be0ab43b82501b4c03aba0f277ac35738b

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 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。

数据说明

肝细胞癌（HCC）的失调且纤维化的肿瘤微环境延误了诊断，并呈现出许多驱动疾病进展的复杂信号。为更好地重现这一微环境，我们通过将实验设计（DoE）方法与高通量细胞微阵列筛选相结合，对我们已建立的蛋白质微阵列平台进行了增强。这一创新方法系统性地探究了基质硬度（涵盖健康与纤维化条件）、细胞外基质（ECM）组成和蛋白质浓度的复杂作用，同时考察它们之间相互依赖的交互作用。借助DoE原理，我们能够在单张显微镜载玻片上探索117种独特的微环境，最终在不影响统计学严谨性的前提下生成包含234种不同微环境的综合数据集。

我们增强的筛选系统能够识别独特的微环境相互作用，这些相互作用具有关键意义……，# 数据来源：使用实验设计优化的微阵列对肿瘤细胞-ECM相互作用进行增强的组合分析 数据集DOI：10.5061/dryad.x3ffbg7xc ## 数据和文件结构说明 数据通过蛋白质微阵列实验收集。将细胞接种于这些微阵列上，在Axioscan玻片扫描仪上成像，并使用Cell Profiler进行处理和分析。所有下游分析均在R中完成。 ### 文件和变量 变量： 对于Cell Profiler输出，许多列的解释请参见Cell Profiler手册，因为它们为自动输出。对于“Metadata_”列： * Column - 网格中岛的列 * Experiment - 生物学重复 * Part - 玻片上的技术重复 * Row - 网格中岛的行 * Slide - 生物学重复中的技术重复 * Stiffness - 玻片上聚丙烯酰胺凝胶的刚度 * Treatment - 索拉非尼处理 #### 文件：Attachment.zip **描述

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。