训练诱导的肌肉-脂肪EV通讯
该数据集来自clinicaltrials.gov，聚焦糖尿病前期人群的肌肉来源细胞外囊泡（EV）与脂肪组织之间的通讯，以及这一通路在糖尿病前期中的改变
基本信息
资源简介
训练诱导的肌肉-脂肪EV通讯
该数据集来自clinicaltrials.gov，聚焦糖尿病前期人群的肌肉来源细胞外囊泡（EV）与脂肪组织之间的通讯，以及这一通路在糖尿病前期中的改变。研究计划招募40名30-55岁参与者，包括20名血糖正常对照和20名糖尿病前期者，性别均衡分布。数据涵盖基线采血、皮下脂肪与股外侧肌组织活检，以及80% 1RM强度的全身抗阻训练方案。可用于探索糖尿病前期中肌肉-脂肪EV通讯机制、识别相关生物标志物，并支持代谢紊乱与运动干预研究（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：糖尿病前期。本研究探讨肌肉来源的细胞外囊泡（EV）与脂肪组织的通讯，以及该通路在糖尿病前期中如何改变。研究者将招募40名参与者（20名血糖正常对照，20名糖尿病前期），年龄30-55岁，性别平均分布。糖尿病前期定义为空腹血糖受损（100-125 mg/dL）、糖耐量受损（2小时口服葡萄糖耐量试验（OGTT）140-199 mg/dL）或HbA1C 5.7-6.4%。在临床与转化科学中心签署知情同意并完成医学筛查后，参与者将在运动前一小时接受基线采血和组织活检（皮下脂肪和股外侧肌）。抗阻运动方案包括以80% 1RM（最大重复次数）强度进行的全身抗阻训练，包括卧推、腿举和下拉
【主题与分类】
主题标签：Prediabetes。本站分类：内分泌、营养和代谢疾病/糖尿病。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT07106450
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://clinicaltrials.gov/study/NCT07106450
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
条件：糖尿病前期。本研究探讨肌肉来源的细胞外囊泡（EV）与脂肪组织之间的通讯，以及该通路在糖尿病前期中如何发生改变。研究者将招募40名年龄在30-55岁之间的参与者（20名血糖正常对照者，20名糖尿病前期者），按性别平均分布。糖尿病前期将定义为空腹血糖受损（100-125 mg/dL）、糖耐量受损（2小时口服葡萄糖耐量试验（OGTT）140-199 mg/dL），或HbA1C 5.7-6.4%。在临床与转化科学中心签署知情同意书并完成医学筛查后，参与者将在运动前1小时接受基线采血和组织活检（皮下脂肪和股外侧肌）。抗阻运动方案包括以80% 1RM（最大重复次数）强度进行的全身抗阻训练，包括卧推、腿举和高位下拉。将在运动后即刻以及30、60和90分钟时采集血样。运动后活检将在运动停止后约60分钟时获取。
实验室分析将包括：(1) 通过定量逆转录聚合酶链反应(qRT-PCR)对脂肪组织中的microRNA-1 (miR-1)进行定量，作为EV摄取的主要验证结果；(2) 使用显微镜评估培养脂肪细胞中荧光标记EV的摄取情况；(3) 对脂肪组织进行RNA测序(RNA-seq)，以识别与EV摄取能力相关的转录组特征；(4) 使用成人来源的人脂肪干细胞(ADHASC)进行原代细胞培养研究；以及(5) 使用尺寸排阻色谱法和密度梯度离心法进行EV的分离与表征。
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。
