结直肠癌差异表达基因与网络组件整合映射数据

数据集获取

源站：https://doi.org/10.5061/dryad.5b1j0

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据集大小约 868.8 KB。

数据说明

为了研究结直肠癌（CRC）相关的复杂生物过程，采用系统生物学方法整合多个生物组分及其他影响因素至关重要。我们对CRC进行了全面的系统层面分析，这有助于通过协调视角揭示关键网络组分和众多调控元件。运用这种整合方法，生物现象中隐藏的复杂性认知被大幅简化。微阵列分析促进了631个参与疾病进展的重要基因的差异表达，并提供了有趣的相关上调和下调基因，如jun、fos和mapk1。通过研究直接影响力这些基因表达的转录因子，如hnf4、nr2f1、znf219和dr1，这些基因的转录调控得到了广泛探讨。此外，评估了这些基因/蛋白质的相互作用，并检测到与CRC病理生理学相关的关键网络模体。

研究中探索了现有的标准统计参数，如z分数、p值和显著性谱，以从CRC通路中识别关键特征，同时还设计了一些代表过度代表结构的新参数。所应用的方法通过我们新设计的参数揭示了5个关键基因，即kras、araf、pik3r5、ralgds和akt3，显示出高度的统计显著性。这些新参数可有助于仔细审查具有已知生物学通路的疾病的候选标志物。此外，研究并靶向这些提出的基因进行实验验证，而不是被复杂的通路所迷惑，必将为及时系统地理解CRC提供有价值的见解。

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。