脂质组学揭示健康、糖尿病前期和2型糖尿病患者血浆脂质组成的显著差异
该数据集基于液相色谱-串联质谱技术,检测了293名中国受试者空腹血浆的全局脂质组,包括114名2型糖尿病患者、81名糖尿病前期受试者和98名糖耐量正常个体

基本信息
资源简介
脂质组学揭示健康、糖尿病前期和2型糖尿病患者血浆脂质组成的显著差异
该数据集聚焦于不同糖代谢状态下人群血浆脂质组成的差异,基于液相色谱-串联质谱技术,检测了293名中国受试者空腹血浆的全局脂质组,其中包括114名2型糖尿病患者、81名糖尿病前期受试者和98名糖耐量正常个体。研究通过定性与定量分析揭示了血浆脂质特征随糖代谢状态变化的渐进趋势,并构建并验证了包含28个脂质组学特征的随机森林分类器,可有效区分2型糖尿病与糖耐量正常或糖尿病前期人群。数据集归属于内分泌、营养和代谢疾病领域的糖尿病方向,主题标签为代谢组学,来源于omicsdi.org。
【数据集背景】
血脂异常与2型糖尿病之间的关系已被广泛报道,但与2型糖尿病发展相关的全局脂质谱,尤其是在东亚人群中,仍有待系统刻画。该数据集正是针对这一空白而建立,旨在通过全局脂质组检测,比较健康、糖尿病前期与2型糖尿病个体之间血浆脂质组成的差异,为理解2型糖尿病发生发展过程中的脂质代谢改变提供数据基础。
【数据内容】
数据集的核心内容是293名中国受试者空腹血浆的全局脂质组检测结果,受试者按糖代谢状态分为三组:114名2型糖尿病患者、81名糖尿病前期受试者和98名糖耐量正常个体。数据涵盖定性与定量两个层面的分析结果,反映了不同组别间血浆脂质特征的渐进性变化,即2型糖尿病患者的脂质特征接近糖尿病前期个体,而与糖耐量正常个体存在显著差异。此外,数据内容还涉及一个由28个脂质组学特征构成的随机森林分类器,该分类器经过构建与验证,能够有效区分2型糖尿病与糖耐量正常或糖尿病前期人群。
【采集与来源】
样本来自中国受试者的空腹血浆,检测采用液相色谱-串联质谱技术完成全局脂质组分析。数据集来源站为omicsdi.org,本站分类归入内分泌、营养和代谢疾病下的糖尿病类别,主题标签为代谢组学。
【适用场景】
该数据集适用于糖代谢异常相关脂质代谢研究,可用于比较健康、糖尿病前期与2型糖尿病个体之间的血浆脂质组成差异,支持脂质组学特征筛选与分类模型构建等分析场景,尤其适合关注东亚人群2型糖尿病发展过程中全局脂质谱变化的研究使用。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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://omicsdi.org/dataset/metabolights_dataset/MTBLS352
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
血脂异常与2型糖尿病(T2D)之间的关系已有大量报道,但与T2D发生相关的整体脂质谱特征,尤其是在东亚人群中,仍有待阐明。本研究采用液相色谱-串联质谱技术检测了293名中国个体空腹血浆的整体脂质组,其中包括114例T2D患者、81例糖尿病前期受试者和98例糖耐量正常(NGT)个体。定性和定量分析均显示,血浆脂质特征呈逐渐变化趋势,T2D患者表现出与糖尿病前期个体相近的特征,而与NGT个体存在显著差异。我们构建并验证了一个包含28个脂质组学特征的随机森林分类器,该分类器能够有效区分T2D与NGT或糖尿病前期。所筛选出的大多数特征与糖尿病临床指标显著相关。羟基丁酰肉碱与空腹血糖、餐后2小时血糖、糖化血红蛋白及胰岛素抵抗指数(HOMA-IR)呈正相关。
溶血磷脂酰胆碱类,如溶血磷脂酰胆碱(18:0)、溶血磷脂酰胆碱(18:1)和溶血磷脂酰胆碱(18:2),均与HOMA-IR呈负相关。中国2型糖尿病及糖尿病前期受试者血浆脂质组的改变提示,脂质特征可能在2型糖尿病的发病机制中发挥作用,且这些特征或可为评估风险和监测疾病进展提供依据。
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。




