基于机器学习的粪便蛋白生物标志物用于克罗恩病与溃疡性结肠炎分类的预测研究

数据集获取

源站：https://omicsdi.org/dataset/pride/PXD057120

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

背景与目的：克罗恩病（CD）和溃疡性结肠炎（UC）是两种主要的慢性炎症性肠病（IBD）。尽管两者的症状相似，但其病理特征和临床治疗方法不同。目前，区分这两种疾病需要进行结肠镜检查和组织病理学检查等侵入性操作，给患者带来不适和不便。利用粪便蛋白作为非侵入性生物标志物，因其稳定性和与炎症组织的邻近性，提供了一种有前景的替代方案。本研究侧重于利用高通量数据非依赖性采集（DIA）质谱技术，从复杂粪便样本中开发准确的生物标志物特征。方法：对46例活动性CD患者和23例活动性UC患者的粪便样本进行了分析。采用基于DIA的SWATH质谱技术，我们探索了粪便蛋白质组，鉴定并定量了约1，250种蛋白质。样本被分为训练组和测试组。经过数据处理后，在训练组上应用多种特征选择算法，以确定CD组与UC组之间存在显著差异的蛋白质。

此外，评估了六种机器学习算法，包括k-近邻、朴素贝叶斯、极端梯度提升、随机森林、支持向量机和glmnet，以识别性能最佳的分类器。结果：基于多种特征选择算法选择了16种蛋白质，并基于这些蛋白质训练了六个机器学习模型。根据每个算法在训练数据集上的性能指标，选择了朴素贝叶斯模型。为了验证性能，将最终预测模型应用于16个前瞻性样本作为测试数据集。值得注意的是，该模型在训练数据集上达到了0.95的AUC，在测试数据集上达到了0.96的AUC，证明了其稳健性和无过拟合。结论：本研究证明了基于SWATH的蛋白质组学和机器学习的有效性

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。