基于微吸管抽吸的数百个单肿瘤细胞胞质黏度表征
该数据集来自 search.dataone.org，聚焦肿瘤细胞的胞质黏度这一评估细胞骨架状态的关键生物力学参数。数据覆盖 H1299、A549 及骨架受损的药物处理 H1299 细胞，在 -10 kPa 或 -5 kPa 压力下用微吸管连续抽吸，记录抽吸长度随时间的变化，并基于理论牛顿流体模型换算
基本信息
资源简介
基于微吸管抽吸的数百个单肿瘤细胞胞质黏度表征
Characterization of cytoplasmic viscosity of hundreds of single tumor cells based on micropipette aspiration
该数据集来自 search.dataone.org，聚焦肿瘤细胞的胞质黏度这一评估细胞骨架状态的关键生物力学参数。数据覆盖 H1299、A549 及骨架受损的药物处理 H1299 细胞，在 -10 kPa 或 -5 kPa 压力下用微吸管连续抽吸，记录抽吸长度随时间的变化，并基于理论牛顿流体模型换算为胞质黏度。数据可用于单细胞胞质黏度的定量表征、同类型细胞黏度分布分析，以及基于黏度特征的不同细胞类型模式识别分类研究（来源 DataONE，CC0 1.0 Universal (CC0 1.0) Public Domain Dedication 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：背景：胞质黏度（μc）是评估细胞骨架状态的关键生物力学参数。以往研究集中于白细胞，但肿瘤细胞的胞质黏度数据缺失。方法：肿瘤细胞（H1299、A549 及骨架受损的药物处理 H1299）在 -10 kPa 或 -5 kPa 压力下通过微吸管连续抽吸，获得抽吸长度随时间的变化，并基于理论牛顿流体模型换算为胞质黏度。采用四分位离散系数评估同一细胞类型内胞质黏度的分布，同时使用基于神经网络的模式识别根据胞质黏度对不同细胞类型进行分类。结果：单细胞胞质黏度及其三个四分位数和 q
【主题与分类】
主题标签：Micropipette Aspiration、Cytoplasmic Viscosity、Single Tumor Cells、Cellular Biophysics。本站分类：肿瘤。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3Aa4fd21a87a8aaffb4e2d0c5b880bfc81f1d22b39cc500cf2af54ca84ef4fb58d
使用许可：CC0 1.0 Universal (CC0 1.0) Public Domain Dedication。
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
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
背景：细胞质黏度（μc）是评估细胞骨架状态的关键生物力学参数。以往研究主要集中于白细胞，而肿瘤细胞的细胞质黏度数据尚属空白。方法：以-10 kPa或-5 kPa的压力将肿瘤细胞（H1299、A549及经药物处理导致细胞骨架受损的H1299）连续吸入微管，获得吸入长度随时间变化的曲线，并基于理论牛顿流体模型将其转化为细胞质黏度。采用四分位离散系数评估同一细胞类型内细胞质黏度的分布，同时利用基于神经网络的模式识别方法，依据细胞质黏度对不同细胞类型进行分类。结果：单细胞细胞质黏度的三个四分位数及四分位离散系数分别为16.7 Pa•S、42.1 Pa•S、110.3 Pa•S和74%（H1……
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。
