NSCLC 化疗联合或不联合放疗前后靶向基因表达分析
该数据集来自 NCBI GEO，标题为 NSCLC 患者化疗联合或不联合放疗前后的靶向基因表达分析，采用 array 表达谱平台 GPL30315，物种为 9606（人）
基本信息
资源简介
NSCLC 化疗联合或不联合放疗前后靶向基因表达分析
Targeted gene expression analysis of NSCLC samples before and after chemotherapy with/without radiotherapy
该数据集来自 NCBI GEO，标题为 NSCLC 患者化疗联合或不联合放疗前后的靶向基因表达分析，采用 array 表达谱平台 GPL30315，物种为 9606（人）。数据包含 1 个文件 GSE346526_series_matrix.txt.gz，作者为 Kerryan、Ashley，发布时间为 Sep 08 202。研究对 8 例接受全身化疗联合或不联合放疗后手术切除的原发肿瘤进行靶向转录组分析，比较治疗前后 NSCLC 肿瘤微环境中 CD39/CD73 通路的表达富集变化，可用于探索治疗后免疫调节基因与程序的转录改变（来源 NCBI）。
【数据集背景】
源站首次发布：Sep 08 202。
【数据内容】
源站描述（机器翻译，仅供参考）：近期临床试验显示，CD73 阻断抗体与 PD-L1 拮抗剂联合使用在部分可切除非小细胞肺癌（NSCLC）患者中具有显著的抗肿瘤活性。这凸显了理解 CD39/CD73 通路在人类肺部恶性肿瘤中的特性及其受其他抗癌治疗调节的必要性。为此，我们利用靶向转录组学，对 8 例接受全身化疗联合或不联合放疗后进行手术切除的患者原发肿瘤中的 CD39/CD73 的临床意义及调节进行了研究。我们的目标是定义并比较 NSCLC 肿瘤微环境在化疗联合或不联合放疗治疗前后的表达富集。结果显示，治疗后 NSCLC TME 发生复杂变化，包括关键免疫调节基因的转录变化以及与 prog 相关的程序。
【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、GPL30315、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=GSE346526
【使用注意】
· 源站最后修改于 Oct 01 202，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=GSE346526
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
近期临床试验显示，CD73阻断抗体与PD-L1拮抗剂联合治疗在部分可切除的非小细胞肺癌（NSCLC）患者中具有显著的抗肿瘤活性。这凸显了理解人肺恶性肿瘤中CD39/CD73通路特性及其受其他抗癌疗法调节的必要性。为此，我们利用靶向转录组学，对8例在接受全身化疗伴或不伴放疗后接受手术切除的患者原发肿瘤进行了研究，以探讨CD39/CD73的临床意义及其调节。我们的目标是在化疗±放疗治疗前后，界定并比较NSCLC肿瘤微环境中的表达富集情况。结果显示，治疗后NSCLC TME发生了复杂变化，包括关键免疫调节基因以及与程序性细胞死亡相关程序的转录变化。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
