配对H1092_Baf与H1092的差异基因表达
该数据集来自NCBI GEO,包含配对样本H1092_Baf与H1092的差异基因表达数据,属于肿瘤/肺癌研究领域。源站描述指出研究利用基因工程小鼠模型追踪自噬流,发现高自噬流亚群增殖和转移增强并具神经内分泌特征,低自噬流亚群则富集免疫相关信号和非神经内分泌特征

基本信息
资源简介
配对H1092_Baf与H1092的差异基因表达
Differential gene expression in paired H1092_Baf vs. H1092
该数据集来自NCBI GEO,包含配对样本H1092_Baf与H1092的差异基因表达数据,属于肿瘤/肺癌研究领域。数据通过高通量测序(GPL24676平台,人源9606)获得,共1个文件(GSE278238_series_matrix.txt.gz)。源站描述指出研究利用基因工程小鼠模型追踪自噬流,发现高自噬流亚群增殖和转移增强并具神经内分泌特征,低自噬流亚群则富集免疫相关信号和非神经内分泌特征。该数据可用于分析自噬相关基因表达差异及SCLC异质性研究(来源 NCBI)。
【数据集背景】
源站首次发布:Sep 27 202。
【数据内容】
源站描述(机器翻译,仅供参考):小细胞肺癌(SCLC)以显著的异质性和可塑性为特征,这促成了其侵袭性进展和治疗耐药。理解这些特征的潜在机制对于改善治疗结局至关重要。自噬是一种保守的细胞过程,在多种癌症中发挥作用;然而,其在SCLC中的具体功能仍不清楚。利用基因工程小鼠模型(Rb1fl/fl; Trp53fl/fl; GFP-LC3-RFP-LC3△G),我们在体内追踪自噬流以评估其对SCLC生物学的影响。高自噬流的肿瘤亚群表现出增殖增加、转移潜能增强和神经内分泌(NE)特征,而低自噬流的肿瘤亚群则显示更多免疫相关信号和非NE特征。体外调节自噬流进一步证实了这些发现:自噬
【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:GPL24676、9606。本站分类:肿瘤/肺癌。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE278238
【使用注意】
· 源站最后修改于 Oct 02 202,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=GSE278238
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
小细胞肺癌(SCLC)以显著的异质性和可塑性为特征,这些特性促使其侵袭性进展和治疗耐药。理解这些特征的潜在机制对于改善治疗结局至关重要。自噬是一种保守的细胞过程,在多种癌症中发挥作用;然而,其在小细胞肺癌中的具体功能仍不明确。利用基因工程小鼠模型(Rb1fl/fl; Trp53fl/fl; GFP-LC3-RFP-LC3△G),我们在体内追踪自噬流,以评估其对小细胞肺癌生物学的影响。高自噬流的肿瘤亚群表现出增殖增加、转移潜能增强和神经内分泌(NE)特征,而低自噬流的肿瘤亚群则显示出更多免疫相关信号和非神经内分泌特征。体外调控自噬流进一步证实了这些发现:自噬激活剂海藻糖在非神经内分泌细胞系(DMS114)中诱导出神经内分泌特征,而自噬抑制剂巴弗洛霉素A1在神经内分泌细胞系(H1092)中促进了非神经内分泌特征。
本研究为在体内研究自噬提供了一个模型,并强调了其在SCLC异质性和可塑性中的作用。
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。




