低强度I型干扰素信号促进CAR T细胞疗效
该数据集来自NCBI GEO,聚焦复发/难治性弥漫大B细胞淋巴瘤患者接受CD19 CAR T细胞治疗后的疗效差异。研究对8例临床反应不同的患者输注产品进行单细胞转录组分析,发现完全缓解者I型干扰素信号和细胞毒性特征更强,并据此探索在体外制备过程中加入IFN-I以提升疗效的策略

基本信息
资源简介
低强度I型干扰素信号促进CAR T细胞疗效
Low-Strength Type I Interferon Signaling Promotes CAR T-Cell Treatment Efficacy
该数据集来自NCBI GEO,聚焦复发/难治性弥漫大B细胞淋巴瘤患者接受CD19 CAR T细胞治疗后的疗效差异。研究对8例临床反应不同的患者输注产品进行单细胞转录组分析,发现完全缓解者I型干扰素信号和细胞毒性特征更强,并据此探索在体外制备过程中加入IFN-I以提升疗效的策略。数据可用于研究CAR T细胞疗效相关分子特征及IFN-I信号强度对细胞功能的影响(来源 NCBI)。
【数据集背景】
源站首次发布:Dec 03 202。
【数据内容】
源站描述(机器翻译,仅供参考):靶向CD19的嵌合抗原受体(CAR)T细胞疗法显著改善了复发/难治性弥漫大B细胞淋巴瘤(r/r DLBCL)的治疗格局。然而,高达60%的患者未能达到完全缓解。在本研究中,我们利用单细胞转录组学分析了8例对axicabtagene ciloleucel具有不同临床反应的r/r DLBCL患者的输注产品。与疾病进展患者相比,完全缓解者的输注产品表现出更强的I型干扰素(IFN-I)信号和细胞毒性特征。基于这些发现,我们开发了一种新策略,通过在体外制备过程中加入IFN-I来提高靶向CD19的CAR T细胞治疗效果。高强度IFN-I信号同时增加CAR T细胞毒性和凋亡,而低强度IFN-I信号选择性地
【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/淋巴瘤。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE283351
【使用注意】
· 源站最后修改于 Jul 27 202,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=GSE283351
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
靶向CD19的嵌合抗原受体(CAR)T细胞疗法显著改善了复发/难治性弥漫性大B细胞淋巴瘤(r/r DLBCL)的治疗格局。然而,高达60%的患者未能达到完全缓解。在本研究中,我们采用单细胞转录组学分析了八例对axicabtagene ciloleucel具有不同临床反应的r/r DLBCL患者的输注产品。与疾病进展患者相比,完全缓解患者的输注产品表现出更强的I型干扰素(IFN-I)信号传导和细胞毒性特征。基于这些发现,我们开发了一种新策略,通过在体外生产过程中引入IFN-I来提高靶向CD19的CAR T细胞治疗效果。高强度IFN-I信号传导同时增加CAR T细胞毒性和凋亡,而低强度IFN-I信号传导则选择性增强CAR T细胞毒性而不损害细胞活力。我们的生产方法利用一种现有的FDA批准的药效团来提高CAR T细胞疗效,而不改变CAR表达或当前的生产方案。
本研究证实了IFN-I作为调节剂在体内增强CAR T细胞治疗疗效的原理验证,展示了其改善CAR T细胞疗法的转化潜力。
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。




