胃癌腹膜转移转移途径特异性信号及微环境相互作用数据集
该数据集来自NCBI,包含14例胃癌患者66对原发与转移(血行、腹膜或卵巢)肿瘤的全转录组测序数据,鉴定出122个转移特异性上皮-间质转化(msEMT)基因,其表达模式随转移途径而异

基本信息
资源简介
胃癌腹膜转移转移途径特异性信号及微环境相互作用数据集
Deciphering metastatic route-specific signals and their microenvironment interactions in peritoneal metastasis of gastric cancer
该数据集来自NCBI,包含14例胃癌患者66对原发与转移(血行、腹膜或卵巢)肿瘤的全转录组测序数据,鉴定出122个转移特异性上皮-间质转化(msEMT)基因,其表达模式随转移途径而异。原发瘤中msEMT基因高表达与CDH1突变、基因组稳定亚型及不良预后相关。数据可用于研究胃癌不同转移途径的分子机制、微环境相互作用及预后标志物筛选(来源 NCBI)。
【数据集背景】
源站首次发布:Jul 20 202。
【数据内容】
源站描述(机器翻译,仅供参考):胃癌(GC)是全球癌症相关死亡的重要原因,其转移模式包括血行、腹膜和卵巢途径。尽管GC基因表达模式已被广泛研究,但转移特异性基因表达图谱仍很大程度上未被探索。本研究对来自14例患者的66对原发和转移(血行、腹膜或卵巢)GC肿瘤进行了全转录组测序分析,鉴定出122个独特的转移特异性上皮-间质转化(msEMT)基因。这些基因根据转移途径表现出不同的表达模式,提示GC转移中存在途径特异性分子机制。原发肿瘤中msEMT基因的高表达与更频繁的CDH1突变、基因组稳定亚型及不良预后相关。
【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:GPL24676、9606。本站分类:肿瘤/胃癌。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE237876
【使用注意】
· 源站最后修改于 Sep 30 202,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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE237876
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
胃癌(GC)是全球癌症相关死亡的重要原因,其转移模式包括血行转移、腹膜转移和卵巢转移。尽管GC的基因表达模式已被广泛研究,但转移特异性基因表达图谱在很大程度上仍未被探索。本研究对来自14例患者的66对原发性和转移性(血行、腹膜或卵巢)GC肿瘤进行了全转录组测序分析,鉴定出122个独特的转移特异性上皮-间质转化(msEMT)基因。这些基因根据转移途径表现出不同的表达模式,提示GC转移中存在途径特异性分子机制。在原发肿瘤中,msEMT基因的高表达与CDH1突变更频繁、基因组稳定亚型以及癌症基因组图谱(The Cancer Genome Atlas)GC队列中的不良预后相关。这一关联在两个独立队列(GSE66229;n=300,GSE84437;n=433)中得到了进一步证实,表现为不良预后以及对腹膜或卵巢复发的高预测性能。
对原发肿瘤(GSE167297)和四份来自胃癌患者的独立腹水样本进行的单细胞RNA测序分析显示,msEMT基因主要在不同的成纤维细胞亚群中表达,而非癌细胞。本研究阐明了路线特异性机制,并强调了msEMT基因和癌症相关成纤维细胞在胃癌转移中的重要性,为未来研究指明了潜在方向。
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。




