与文章《食管腺癌预后预测多组学特征定义》相关的数据集
数据涉及食管腺癌(EAC)研究,包含对3例未接受治疗患者的肿瘤及配对非肿瘤组织中CD45+细胞进行单细胞RNA测序(scRNAseq)分析,用于鉴定肿瘤免疫浸润中的免疫细胞类型及其转录组图谱

基本信息
资源简介
与文章《食管腺癌预后预测多组学特征定义》相关的数据集
Dataset related to article "Definition of a multi-omics signature for Esophageal Adenocarcinoma prognosis prediction "
该数据集为文章《Definition of a multi-omics signature for Esophageal Adenocarcinoma prognosis prediction》相关的原始数据,来源于doi.org,由Zenodo于2023年发布。数据涉及食管腺癌(EAC)研究,包含对3例未接受治疗患者的肿瘤及配对非肿瘤组织中CD45+细胞进行单细胞RNA测序(scRNAseq)分析,用于鉴定肿瘤免疫浸润中的免疫细胞类型及其转录组图谱。该数据可用于食管腺癌免疫微环境研究及预后预测多组学特征探索(来源 DOI 解析,Restricted Access 许可)。
【数据集背景】
源站首次发布:2023。
【数据内容】
源站描述(机器翻译,仅供参考):该记录包含与文章《Definition of a multi-omics signature for Esophageal Adenocarcinoma prognosis prediction》相关的原始数据。摘要:食管癌是一种高度致命的恶性肿瘤,占所有癌症死亡人数的5%。该疾病的两种主要亚型是食管鳞状细胞癌(ESCC)和食管腺癌(EAC)。迄今为止,大多数研究集中于分析ESCC中的转录谱,只有少数研究分析了EAC中可能与诊断和/或预后相关的转录特征。在这项工作中,我们对从3例未接受治疗患者的肿瘤及配对非肿瘤组织中富集的CD45+细胞进行了单细胞RNA测序(scRNAseq)分析,以鉴定肿瘤免疫浸润中存在的所有类型的免疫细胞及其转录组图谱,此外我们还分析了w
【主题与分类】
主题标签:EAC、scRNAseq。本站分类:肿瘤。
【获取与许可】
源站页面:https://zenodo.org/record/7898239
使用许可:Restricted Access。
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://doi.org/10.5281/zenodo.7898239
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
本记录包含与文章《食管腺癌预后预测的多组学特征定义》相关的原始数据。摘要:食管癌是一种高度致命的恶性肿瘤,占所有癌症死亡人数的5%。该疾病的两种主要亚型为食管鳞状细胞癌(ESCC)和食管腺癌(EAC)。迄今为止,大多数研究集中于分析ESCC的转录谱,仅有少数研究分析了EAC中可能与诊断和/或预后相关的转录特征。在本研究中,我们对来自3例未接受治疗患者的肿瘤组织及配对的非肿瘤组织中富集的CD45+细胞进行了单细胞RNA测序(scRNAseq)分析,以鉴定肿瘤免疫浸润中存在的所有免疫细胞类型及其转录组谱;此外,我们还对23例患者的全转录组进行了分析,这些患者的组织活检取自肿瘤组织及配对的非肿瘤组织。
随后,这两种分析所得的转录特征被用于对更大规模的TCGA EAC患者队列进行分层,显示出与患者预后强烈相关。因此,本文描述的转录特征已证明能够预测患者的临床结局,并可用于更好地界定EAC术后预后,以及指导患者接受有效治疗。
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。




