有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Supporting data for "Therapeutic and Drug Resistance Mechanisms of Quizartinib and Omacetaxine Mepasuccinate (QUIZOM) in FLT3-ITD Acute Myeloid Leukemia"
收藏DataCite Commons2024-07-18 更新2025-04-16 收录
下载链接：
https://datahub.hku.hk/articles/dataset/Supporting_data_for_Therapeutic_and_Drug_Resistance_Mechanisms_of_Quizartinib_and_Omacetaxine_Mepasuccinate_QUIZOM_in_FLT3-ITD_Acute_Myeloid_Leukemia_/26156836
下载链接
链接失效反馈资源简介：
We examined the therapeutic mechanisms of Quizartinib and Omacetaxine Mepesuccinate (QUIZOM) in FLT3-ITD AML. The results of Cancer Dependency Map (DepMap) and RNA sequencing data analysis were provided here. Specifically, we compared FLT3-ITD AML cell lines versus FLT3-wildtype AML cell lines in terms of gene knock-out effect and identified key pathways that FLT3-ITD AML cells depended on by gene set enrichment analysis (GSEA). In-vitro treatment of Quizartinib and Omacetaxine Mepesuccinate was conducted in MOLM13 and MV4-11 cell lines, and RNA-seq data was analyzed for differentially expressed genes (DEGs) and pathway enrichment.
提供机构：
HKU Data Repository
创建时间：
2024-07-04
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
OpenSonarDatasets
OpenSonarDatasets是一个致力于整合开放源代码声纳数据集的仓库，旨在为水下研究和开发提供便利。该仓库鼓励研究人员扩展当前的数据集集合，以增加开放源代码声纳数据集的可见性，并提供一个更容易查找和比较数据集的方式。
github 收录
flames-and-smoke-datasets
该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。
github 收录
AIS数据集
该研究使用了多个公开的AIS数据集，这些数据集经过过滤、清理和统计分析。数据集涵盖了多种类型的船舶，并提供了关于船舶位置、速度和航向的关键信息。数据集包括来自19,185艘船舶的AIS消息，总计约6.4亿条记录。
github 收录
NIST Thermochemical Database
NIST Thermochemical Database（NIST热化学数据库）是一个包含大量热化学数据的数据集，涵盖了各种化学物质的热力学性质，如焓、熵、自由能等。该数据库由美国国家标准与技术研究院（NIST）维护，旨在为科学研究和工业应用提供准确的热化学数据。
webbook.nist.gov 收录
BDD100K
数据集推动了视觉的进步，但现有的驾驶数据集在视觉内容和支持任务方面缺乏研究，以研究自动驾驶的多任务学习。研究人员通常只能在一个数据集上研究一小组问题，而现实世界的计算机视觉应用程序需要执行各种复杂的任务。我们构建了最大的驾驶视频数据集 BDD100K，包含 10 万个视频和 10 个任务，以评估图像识别算法在自动驾驶方面的令人兴奋的进展。该数据集具有地理、环境和天气的多样性，这对于训练不太可能对新条件感到惊讶的模型很有用。基于这个多样化的数据集，我们为异构多任务学习建立了一个基准，并研究了如何一起解决这些任务。我们的实验表明，现有模型需要特殊的训练策略来执行此类异构任务。 BDD100K 为未来在这个重要场所的学习打开了大门。更多详细信息请参见数据集主页。
OpenDataLab 收录