TNFR1调控肝细胞特异性IKKγ(Nemo)小鼠凋亡与慢性肝病数据集
该数据集来自NCBI,包含GSE33161系列矩阵文件,聚焦肝细胞特异性IKKγ(Nemo)小鼠中TNFR1对凋亡和慢性肝病的调控

基本信息
资源简介
TNFR1调控肝细胞特异性IKKγ(Nemo)小鼠凋亡与慢性肝病数据集
TNFR1 controls apoptosis and chronic liver disease in hepatocyte-specific IKKγ (Nemo) mice.
该数据集来自NCBI,包含GSE33161系列矩阵文件,聚焦肝细胞特异性IKKγ(Nemo)小鼠中TNFR1对凋亡和慢性肝病的调控。研究通过构建NemoΔhepa/TRAIL-/-和NemoΔhepa/TNFR1-/-动物模型,分析肝损伤进展,涉及高凋亡、免疫细胞浸润和肝细胞增殖等表型。数据可用于探索死亡受体介导的肝损伤通路及慢性肝炎向肝癌转化的机制(来源 NCBI)。
【数据集背景】
源站首次发布:Oct 23 201。
【数据内容】
源站描述(机器翻译,仅供参考):死亡受体介导的肝细胞凋亡涉及多种肝脏疾病,包括病毒性肝炎、酒精性肝炎、缺血/再灌注损伤、暴发性肝衰竭、胆汁淤积性肝损伤和癌症。肝细胞中NF-ĸB必需调节因子的缺失(NemoΔhepa)导致小鼠自发性肝细胞癌,并先于脂肪性肝炎发生,因此是慢性肝炎向肝癌进展的优秀模型。在本研究中,我们旨在剖析NemoΔhepa小鼠中参与肝损伤的死亡受体介导通路。因此,我们构建了NemoΔhepa/TRAIL-/-和NemoΔhepa/TNFR1-/-动物,并分析肝损伤的进展。NemoΔhepa/TRAIL-/-表现出与NemoΔhepa小鼠相似的表型,特征为高凋亡、免疫细胞浸润、肝细胞增殖
【数据结构与技术规格】
文件数 1 个,合计 0 B。
【主题与分类】
主题标签:Expression profiling by array、GPL6246、10090。本站分类:肿瘤/肝癌。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE33161
【使用注意】
· 源站最后修改于 Mar 04 201,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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE33161
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
死亡受体介导的肝细胞凋亡参与多种肝脏疾病,包括病毒性肝炎、酒精性肝炎、缺血/再灌注损伤、暴发性肝衰竭、胆汁淤积性肝损伤及癌症。肝细胞中NF-κB必需调节因子的缺失(NemoΔhepa)会导致小鼠自发发生肝细胞癌,其前驱病变为脂肪性肝炎,因而成为研究慢性肝炎向肝癌进展的优秀模型。本研究旨在剖析NemoΔhepa小鼠中参与肝损伤的死亡受体介导途径。为此,我们构建了NemoΔhepa/TRAIL-/-和NemoΔhepa/TNFR1-/-动物并分析肝损伤的进展。NemoΔhepa/TRAIL-/-表现出与NemoΔhepa小鼠相似的表型,以高凋亡、免疫细胞浸润、肝细胞增殖和脂肪性肝炎为特征。这些病理生理特征在NemoΔhepa/TNFR1-/-肝脏中显著改善。
在NemoΔhepa和NemoΔhepa/TRAIL-/-小鼠中,肝细胞凋亡增加,而NemoΔhepa/TNFR1-/-动物则显示出细胞死亡减少,同时pJNK水平显著降低。NemoΔhepa/TNFR1-/-小鼠肝脏中的细胞周期参数激活明显减少。此外,这些动物中肝纤维化标志物和肿瘤进展指标显著下降。当前数据表明,在肝细胞特异性Nemo敲除小鼠中,死亡受体TNFR1而非TRAIL在决定肝损伤进展中起重要作用。
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。




