GSE197003：通过TCR聚类定位肿瘤特异性T细胞
该数据集来自NCBI GEO，标题为通过TCR聚类定位肿瘤特异性T细胞，包含1个文件GSE197003_series_matrix.txt.gz，属于肿瘤/其他分类，采用高通量测序进行表达谱分析，物种为9606，平台为GPL15520
基本信息
资源简介
GSE197003：通过TCR聚类定位肿瘤特异性T细胞
Pinpointing the tumor-specific T-cells via TCR clusters
该数据集来自NCBI GEO，标题为通过TCR聚类定位肿瘤特异性T细胞，包含1个文件GSE197003_series_matrix.txt.gz，属于肿瘤/其他分类，采用高通量测序进行表达谱分析，物种为9606，平台为GPL15520。研究展示T细胞受体库的同源聚类分析可高效识别肿瘤反应性TCR，用于检测肿瘤浸润淋巴细胞中的存在、优化TIL培养条件（IL-2low/IL-21/anti-PD-1组合效率提高），并研究新鲜分离TIL中基于表面标志物的肿瘤靶向T细胞富集（来源 NCBI）。
【数据集背景】
源站首次发布：Feb 18 202。
【数据内容】
源站描述（机器翻译，仅供参考）：过继性T细胞转移（ACT）是一种有前景的癌症免疫治疗方法，但其效率从根本上取决于移植物内肿瘤特异性T细胞富集的程度。这可以通过可识别的neoantigens、肿瘤相关抗原（TAAs）或活的或裂解的肿瘤细胞激活来估计，但这些方法仍然费力、耗时且功能有限，阻碍了ACT的临床开发。在这里，我们证明T细胞受体（TCR）库的同源聚类分析能有效识别肿瘤反应性TCR，从而能够：1）检测它们在肿瘤浸润淋巴细胞（TILs）池中的存在；2）优化TIL培养条件，IL-2low/IL-21/anti-PD-1组合显示出更高的效率；3）研究新鲜分离TIL中基于表面标志物的肿瘤靶向T细胞富集（富集得到确认
【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：GPL15520、9606。本站分类：肿瘤。
【获取与许可】
源站页面：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE197003
【使用注意】
· 源站最后修改于 Feb 14 202，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=GSE197003
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
过继性T细胞转移（ACT）是一种有前景的癌症免疫治疗方法，但其效率从根本上取决于移植物中肿瘤特异性T细胞富集的程度。这可以通过可识别的neoantigens、肿瘤相关抗原（TAAs）或活/裂解的肿瘤细胞激活来估计，但这些方法仍然费时、耗时且功能有限，阻碍了ACT的临床开发。在这里，我们证明T细胞受体（TCR）库的同源聚类分析能有效识别肿瘤反应性TCR，从而能够：1）检测其在肿瘤浸润淋巴细胞（TILs）池中的存在；2）优化TIL培养条件，IL-2low/IL-21/anti-PD-1组合显示出更高的效率；3）研究新鲜分离的TILs中针对肿瘤靶向T细胞的表面标志物富集（CD4+和CD8+ PD-1+/CD39+亚群的富集得到证实），或再刺激的TILs（为4-1BB分选细胞中的富集提供信息）。我们相信，我们快速评估肿瘤特异性TCR富集的方法应能加速T细胞疗法的开发。
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。
