血浆细胞外囊泡在肺癌前转移龛形成中的作用
该数据集来自 NCBI,研究血浆细胞外囊泡(EVs)在肺癌前转移龛(pMN)形成中的作用。数据包含早期肺癌患者血浆来源 EVs 的表达谱,患者分为 5 年存活组(ESA-EVs)和两年内死亡组(ESD-EVs),并以重度吸烟无癌个体作为对照(HS-EVs)

基本信息
资源简介
血浆细胞外囊泡在肺癌前转移龛形成中的作用
Role of plasma extracellular vesicles in lung cancer pre-metastatic niche formation
该数据集来自 NCBI,研究血浆细胞外囊泡(EVs)在肺癌前转移龛(pMN)形成中的作用。数据包含早期肺癌患者血浆来源 EVs 的表达谱,患者分为 5 年存活组(ESA-EVs)和两年内死亡组(ESD-EVs),并以重度吸烟无癌个体作为对照(HS-EVs)。体外实验使用 15ug EVs 处理内皮细胞 48 小时,观察到 ESD-EVs 显著诱导促炎性内皮表型。该数据可用于探索肺癌转移相关预后生物标志物及 EV 介导的 pMN 形成机制(来源 NCBI)。
【数据集背景】
源站首次发布:Jul 09 202。
【数据内容】
源站描述(机器翻译,仅供参考):肺癌是全球最致命的癌症,主要原因是转移扩散。肿瘤来源的细胞外囊泡(EVs)在前转移龛(pMNs)形成中起关键作用,促进循环癌细胞的扩散和扩增。迄今为止,关于血浆 EVs 在肺癌 pMN 形成中的作用知之甚少。我们旨在阐明 EV 在 pMN 形成中的作用,并确定早期肺癌的新预后生物标志物。通过超速离心从 5 年存活的早期肺癌患者(ESA-EVs)和两年内死亡的患者(ESD-EVs)中获取血浆来源的 EVs。无癌重度吸烟者作为对照(HS-EVs)。使用来自不同组的 15ug EVs 对内皮细胞进行 48 小时的体外功能实验。我们观察到 ESD-EVs 显著诱导了“促炎”内皮
【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:GPL18573、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=GSE302138
【使用注意】
· 源站最后修改于 Jul 15 202,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=GSE302138
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
肺癌是全球最致命的癌症,主要归因于转移性扩散。肿瘤来源的细胞外囊泡(EVs)在转移前微环境(pMNs)的形成中发挥关键作用,促进循环肿瘤细胞的扩散和扩增。迄今为止,关于血浆EVs在肺癌pMN形成中的作用知之甚少。我们旨在阐明EVs在pMN形成中的作用,并识别早期肺癌新的预后生物标志物。通过超速离心从存活5年的早期肺癌患者(ESA-EVs)和两年内死亡的患者(ESD-EVs)中获取血浆来源的EVs。以无癌的重度吸烟者作为对照(HS-EVs)。使用来自不同分组的15ug EVs对内皮细胞进行48小时的体外功能实验。我们观察到ESD-EVs显著诱导了“促炎”内皮表型。ESD-EV的表征显示,与ESA和HS-EVs相比,miR-29和C4a水平更高。在内皮细胞中同时进行miR-29转染和C4a给药,重现了EVs所观察到的促炎激活。
总之,我们的研究表明,血浆细胞外囊泡能够驱动肺部转移前微环境的形成,赋予内皮细胞促炎表型,从而有利于转移灶的生长。
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。




