尿液肽组学特征预测膀胱癌总生存期与无进展生存期
支持研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”的CE-MS尿液肽数据。该数据集提供了来自研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”中所纳入患者的、由毛细管电泳-质谱(CE-MS)生成的原始尿液肽强度数据

基本信息
资源简介
尿液肽组学特征预测膀胱癌总生存期与无进展生存期
支持研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”的CE-MS尿液肽数据。该数据集提供了来自研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”中所纳入患者的、由毛细管电泳-质谱(CE-MS)生成的原始尿液肽强度数据
Urinary peptidomic signatures predict overall and progression-free survival in bladder cancer
【数据集背景】
源站首次发布:2025。
【数据内容】
源站描述(机器翻译,仅供参考):支持研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”的CE-MS尿液肽数据。该数据集提供了来自研究“尿液肽组学特征预测膀胱癌总生存期与无进展生存期”中所纳入患者的、由毛细管电泳-质谱(CE-MS)生成的原始尿液肽强度数据。数据集由原始Bruker CE-MS输出文件(.BAF、.AMI、.IDX、.XTR及相关格式)组成,代表从临床干预前采集的尿液样本中获取的原始光谱数据。这些数据捕获肽强度和迁移时间信息,用于识别与生存相关的肽段并开发预后BC110分类器。这些文件可使用Bruker DataAnalysis和MosaiquesVisu软件或等效的CE-MS兼容工具重新处理。它们
【主题与分类】
主题标签:膀胱癌、尿液肽组学、CE-MS、生存预测、预后分类器、原始质谱数据。本站分类:肿瘤。
【获取与许可】
源站页面:https://zenodo.org/doi/10.5281/zenodo.17397334
使用许可:Creative Commons Attribution 4.0 International。
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.17397334
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:
数据集大小约 374.8 MB。
数据说明
支持研究“尿液肽组学特征预测膀胱癌总生存期和无进展生存期”的CE–MS尿液肽数据本数据集提供了通过毛细管电泳-质谱联用(CE–MS)从纳入研究“尿液肽组学特征预测膀胱癌总生存期和无进展生存期”的患者中生成的原始尿液肽强度数据。该数据集包含原始的Bruker CE–MS输出文件(.BAF、.AMI、.IDX、.XTR及相关格式),代表从临床干预前采集的尿液样本中获取的原始光谱数据。这些数据捕获了肽强度和迁移时间信息,用于识别与生存相关的肽并开发预后BC110分类器。这些文件可使用Bruker DataAnalysis和MosaiquesVisu软件或等效的CE–MS兼容工具重新处理。
它们支持对与细胞外基质(ECM)重塑及患者结局相关的尿液肽生物标志物进行独立验证、重新定量和跨研究验证。数据采集和归一化遵循基于CE–MS的尿液蛋白质组学标准操作流程,并以内源性胶原肽标准品进行校准,以确保样本间的可比性。140314J000005.zip,包含队列1,其中有来自131名患者的尿液CE–MS原始数据。240626O000004.zip,包含队列2,其中有来自112名患者的尿液CE–MS原始数据。DataTransferXML11032026,包含HF对照,其中有来自96名HF对照的尿液CE–MS原始数据。HF对照元数据,包含96名HF对照的元数据。
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。




