胰岛素瘤患者与健康对照脂肪组织单细胞RNA测序
该数据集来自 NCBI GEO(GSE344277),对胰岛素瘤患者与健康对照的配对皮下和内脏脂肪组织进行单细胞 RNA 测序,聚焦基质血管组分细胞,用于刻画组织驻留细胞群体,识别持续胰岛素暴露相关的细胞状态组成、分化轨迹和基因表达程序变化,并比较皮下与内脏脂肪库之间高胰岛素血症相关机制的差异

基本信息
资源简介
胰岛素瘤患者与健康对照脂肪组织单细胞RNA测序
scRNA-seq of adipose tissue from insulinoma patients and healthy controls
该数据集来自 NCBI GEO(GSE344277),对胰岛素瘤患者与健康对照的配对皮下和内脏脂肪组织进行单细胞 RNA 测序,聚焦基质血管组分细胞,用于刻画组织驻留细胞群体,识别持续胰岛素暴露相关的细胞状态组成、分化轨迹和基因表达程序变化,并比较皮下与内脏脂肪库之间高胰岛素血症相关机制的差异。数据包含 1 个文件(GSE344277_series_matrix.txt.gz),可用于研究胰岛素依赖性脂肪组织细胞分化及内分泌代谢疾病机制(来源 NCBI)。
【数据集背景】
源站首次发布:Aug 19 202。
【数据内容】
源站描述(机器翻译,仅供参考):我们对胰岛素瘤患者和健康对照的配对皮下与内脏脂肪组织进行了单细胞 RNA 测序,以研究体内胰岛素依赖性的脂肪组织细胞分化机制。胰岛素瘤提供了慢性内源性高胰岛素血症的独特临床模型,使得能够评估人脂肪组织对持续胰岛素暴露的细胞和转录反应。我们对基质血管组分细胞进行了分析,以表征组织驻留细胞群体,并识别与胰岛素相关的细胞状态组成、分化轨迹和基因表达程序变化。通过比较皮下与内脏脂肪库,我们进一步检验了高胰岛素血症相关机制在解剖学和代谢上不同的脂肪组织之间是否存在差异。本研究为 inv 提供了单细胞资源。
【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:GPL28038、9606。本站分类:内分泌、营养和代谢疾病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE344277
【使用注意】
· 源站最后修改于 Sep 01 202,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=GSE344277
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
我们对胰岛素瘤患者及健康对照者的配对皮下与内脏脂肪组织进行了单细胞RNA测序,以探究体内胰岛素依赖性脂肪组织细胞分化机制。胰岛素瘤提供了一个独特的慢性内源性高胰岛素血症临床模型,使得我们能够评估人脂肪组织对持续胰岛素暴露的细胞和转录反应。我们对基质血管组分细胞进行了分析,以表征组织驻留细胞群体,并识别与胰岛素相关的细胞状态组成、分化轨迹及基因表达程序变化。通过比较皮下与内脏脂肪库,我们进一步检验了高胰岛素血症相关机制在解剖学和代谢上不同的脂肪组织之间是否存在差异。本研究为探究脂肪组织重塑的脂肪库特异性调控提供了单细胞资源,并可能有助于阐明胰岛素信号在人脂肪细胞分化中的作用。
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。




