患者匹配分析识别前列腺癌中失调网络以指导个性化治疗干预
前列腺癌患者匹配的基因组和转录组数据，用于识别失调网络以指导个性化治疗。
基本信息
资源简介
患者匹配分析识别前列腺癌中失调网络以指导个性化治疗干预
【一句话概览】
本数据集是 Mendeley Data 公开的组学数据集，收录 6 个文件、合计 55.07 MB，可用于生物标志物发现与分子分型研究。
【数据集背景】
本数据集源站标题为《Patient-matched analysis identifies deregulated networks in prostate cancer to guide personalized therapeutic intervention》。源站首次发布：2021-06-08。
【数据内容】
源站原始描述：Prostate cancer (PrCa) is the second most common malignancy in men. More than 50% of advanced prostate cancers display the TMPRSS2-ERG fusion. Despite extensive cancer genome/transcriptome data, little is known about the impact of mutations and altered transcription on regulatory networks in the PrCa of individual patients. Using patient-matched normal and tumor samples, we established somatic variations and differential transcriptome profiles of primary ERG-positive prostate cancers. Integratio…
中文译文（机器翻译，仅供快速理解，请以原文为准）：前列腺癌（PrCa）是男性中第二常见的恶性肿瘤。超过50%的晚期前列腺癌显示出TMPRSS2-ERG融合。尽管拥有大量的癌症基因组/转录组数据，但对于个体患者前列腺癌中突变和转录改变对调控网络的影响知之甚少。利用患者匹配的正常和肿瘤样本，我们确立了原发性ERG阳性前列腺癌的体细胞变异和差异转录组谱。整合蛋白质-蛋白质相互作用和基因调控网络数据库，定义了高度多样化的患者特异性网络改变。特定调控途径的不同组分受到新发现和已知突变及/或异常基因表达的影响，包括失调的ERG靶标，并通过一种新的计算机方法得到了验证。因此，每个个体前列腺癌中改变的途径集合各不相同。在某一特定前列腺癌中，若干失调途径共享共同因子，预示着对癌症进展的协同效应。我们的综合分析提供了一个范例，旨在识别调控网络内可成药的失调关键因子，以指导个性化治疗。
【数据结构与技术规格】
文件数 6 个，合计 55.07 MB。数据集 DOI：10.17632/v4ptkwywyn.1。
【适用方向】
组学数据适用于生物标志物发现与分子分型相关建模研究。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/v4ptkwywyn
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://data.mendeley.com/datasets/v4ptkwywyn
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:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
