不同运动训练模式对年轻和老年人类代谢与体能适应改善的增强蛋白翻译数据集
研究比较 12 周高强度有氧间歇、抗阻及联合运动训练对年轻和老年人胰岛素敏感性、瘦体重、有氧能力、骨骼肌线粒体呼吸及蛋白质组的影响,可用于探索不同运动模式下的基因表达与蛋白翻译适应机制(来源 NCBI)

基本信息
资源简介
不同运动训练模式对年轻和老年人类代谢与体能适应改善的增强蛋白翻译数据集
Enhanced Protein Translation Underlies Improved Metabolic and Physical Adaptations to Different Exercise Training Modes in Young and Old Humans
该数据集来自 NCBI GEO(GSE97084),包含 1 个文件 GSE97084_series_matrix.txt.gz,采用高通量测序表达谱分析,物种为人类(9606),平台为 GPL11154。研究比较 12 周高强度有氧间歇、抗阻及联合运动训练对年轻和老年人胰岛素敏感性、瘦体重、有氧能力、骨骼肌线粒体呼吸及蛋白质组的影响,可用于探索不同运动模式下的基因表达与蛋白翻译适应机制(来源 NCBI)。
【数据集背景】
源站首次发布:Mar 27 201。
【数据内容】
源站描述(机器翻译,仅供参考):不同运动模式获益的分子转导机制仍不完全明确。本文报告,12 周高强度有氧间歇(HIIT)、抗阻(RT)和联合运动训练增强了胰岛素敏感性和瘦体重,但仅 HIIT 和联合训练改善了有氧能力和骨骼肌线粒体呼吸。HIIT 显示出比其他运动模式更显著的基因转录本增加,尤其是在老年人中,尽管与相应个体蛋白丰度的重叠很少。HIIT 逆转了许多与年龄相关的蛋白质组差异,尤其是线粒体蛋白,并与线粒体蛋白合成增加相一致。RT 和 HIIT 均增强了参与翻译机制的蛋白,且与年龄无关。仅观察到 DNA 启动子区域甲基化的微小变化。
【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:GPL11154、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=GSE97084
【使用注意】
· 源站最后修改于 Nov 13 202,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=GSE97084
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
不同运动方式产生益处的分子转导机制仍未完全明确。本文报告,12周的高强度有氧间歇训练(HIIT)、抗阻训练(RT)以及联合运动训练可增强胰岛素敏感性和瘦体重,但仅HIIT和联合训练改善了有氧能力和骨骼肌线粒体呼吸。与其他运动方式相比,HIIT在基因转录本上表现出更显著的增加,尤其是在老年人中,尽管与相应个体蛋白质丰度的重叠很少。HIIT逆转了蛋白质组中许多与年龄相关的差异,尤其是线粒体蛋白的差异,并与线粒体蛋白合成增加相一致。RT和HIIT均增强了参与翻译机制的蛋白质,且不受年龄影响。仅观察到DNA启动子区域甲基化的微小变化。我们提供的证据表明,运动主要在翻译水平上进行调控,增强翻译能力和蛋白质组丰度,从而解释各年龄段肌肉线粒体功能和肥大的表型获益。
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。




