低分化及未分化甲状腺癌整合蛋白质基因组学特征与治疗靶点
该数据集来自一项多中心甲状腺癌队列研究，包含467例FFPE样本，涵盖未分化甲状腺癌（ATC）、低分化甲状腺癌（PDTC）和甲状腺乳头状癌（PTC）及癌旁正常组织，并进行了全外显子组测序、蛋白质组和磷酸化蛋白质组分析
基本信息
资源简介
低分化及未分化甲状腺癌整合蛋白质基因组学特征与治疗靶点
该数据集来自一项多中心甲状腺癌队列研究，聚焦低分化与未分化甲状腺癌的治疗靶点问题，通过整合蛋白质基因组学手段对大规模临床样本进行系统刻画。队列共纳入467例福尔马林固定石蜡包埋（FFPE）样本，覆盖未分化甲状腺癌（ATC）、低分化甲状腺癌（PDTC）、甲状腺乳头状癌（PTC）以及癌旁正常组织（NAT），并完成了全外显子组测序、蛋白质组和磷酸化蛋白质组分析。该数据集为研究甲状腺癌不同分化程度之间的分子差异、寻找潜在治疗靶点提供了多组学层面的资源基础，主题标签为蛋白质组学，在分类上归属于肿瘤领域的其他类别。
【数据集背景】
甲状腺癌的分化程度与其临床行为和治疗策略密切相关，未分化甲状腺癌和低分化甲状腺癌通常预后较差，且缺乏有效的治疗靶点。该数据集所依托的研究旨在通过整合蛋白质基因组学表征，揭示这两类分化不良甲状腺癌中的治疗靶点。研究构建了多中心甲状腺癌队列，以FFPE样本为对象开展全外显子组测序、蛋白质组与磷酸化蛋白质组分析，从基因组、蛋白质表达及磷酸化修饰多个层面刻画肿瘤特征。
【数据内容】
队列由467例FFPE样本构成。甲状腺肿瘤样本包括124例ATC、47例PDTC和177例PTC，其中PTC包含3例生物学重复。癌旁正常组织共119例，来源于20例ATC患者和99例PTC患者的肿瘤邻近组织。磷酸化蛋白质组分析覆盖63例ATC、25例PDTC和81例PTC；磷酸化蛋白质组的癌旁正常样本共48例，取自20例ATC患者和28例PTC患者的肿瘤邻近组织。全外显子组测序与蛋白质组分析在队列中开展，具体样本分配未在源站描述中逐项列出。
【采集与来源】
样本类型为福尔马林固定石蜡包埋（FFPE）样本，来自多中心甲状腺癌队列。癌旁正常组织均取自相应肿瘤患者的肿瘤邻近组织。数据集来源站为omicsdi.org，主题标签为蛋白质组学。
【适用场景】
该数据集适用于甲状腺癌分化程度相关分子特征的研究，包括ATC、PDTC与PTC之间的蛋白质组与磷酸化蛋白质组比较，以及肿瘤组织与癌旁正常组织之间的差异分析；也可用于结合全外显子组测序数据开展蛋白质基因组学整合分析，支持治疗靶点的探索性研究。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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://omicsdi.org/dataset/iprox/PXD054521
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
在我们的研究中，我们构建了一个由467份福尔马林固定石蜡包埋（FFPE）样本组成的多中心甲状腺癌队列，其中进行了WES、蛋白质组和磷酸化蛋白质组分析。甲状腺肿瘤包括124份ATC样本、47份PDTC样本和177份PTC样本（包括3个生物学重复）。119份NATs来源于20例ATC患者和99例PTC患者的肿瘤邻近组织。对63份ATC、25份PDTC和81份PTC进行了磷酸化蛋白质组分析。48份NAT样本确定自20例ATC患者和28例PTC患者的肿瘤邻近组织。
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。
