血浆宿主-微生物蛋白质组学预测高危发热性中性粒细胞减少症并发症
该数据集来自 clinicaltrials.gov 的一项多中心、前瞻性、观察性研究，聚焦血液恶性肿瘤合并高危发热性中性粒细胞减少症（FN）患者
基本信息
资源简介
血浆宿主-微生物蛋白质组学预测高危发热性中性粒细胞减少症并发症
该数据集来自 clinicaltrials.gov 的一项多中心、前瞻性、观察性研究，聚焦血液恶性肿瘤合并高危发热性中性粒细胞减少症（FN）患者。研究拟基于质谱的整合蛋白质组学方法，同时定量血浆中宿主与微生物来源的蛋白，评估联合蛋白质组谱能否预测 FN 患者并发症。FN 定义为口腔温度单次≥38.3 °C 或≥38.0 °C 持续≥1 小时，且中性粒细胞绝对计数（ANC）<500 cells/mm³ 或预计 48 小时内降至该阈值以下。现有 CRP、PCT 等生物标志物在该免疫抑制人群中特异性有限，该数据可用于探索新型预测标志物（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：发热性中性粒细胞减少症。这项多中心、前瞻性、观察性研究将评估宿主和微生物来源的联合蛋白质组谱能否预测表现为高危发热性中性粒细胞减少症（FN）的血液恶性肿瘤患者的并发症。FN 定义为口腔温度单次≥38.3 °C 或≥38.0 °C 持续≥1 小时，且患者中性粒细胞绝对计数（ANC）<500 cells/mm³ 或预计在 48 小时内降至该阈值以下。尽管使用经验性广谱抗生素，高达 50% 的这些患者仍会发展为脓毒症，10% 进展为脓毒性休克。当前诸如 C 反应蛋白（CRP）或降钙素原（PCT）等生物标志物在该免疫抑制人群中特异性有限。本研究提出一种基于质谱的新型整合蛋白质组学方法，以同时定量血浆中的宿主和微生物蛋白。
【主题与分类】
主题标签：Febrile Neutropenia。本站分类：血液及造血器官疾病。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT07277387
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/NCT07277387
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
疾病：发热性中性粒细胞减少症。这项多中心、前瞻性、观察性研究将评估宿主和微生物来源的联合蛋白质组学特征能否预测表现为高危发热性中性粒细胞减少症（FN）的血液系统恶性肿瘤患者的并发症。FN定义为：绝对中性粒细胞计数（ANC）<500个细胞/mm³或预计在48小时内降至该阈值以下的患者，口腔温度单次≥38.3°C或≥38.0°C持续≥1小时。尽管使用了经验性广谱抗生素，多达50%的此类患者仍会发展为脓毒症，10%进展为脓毒性休克。现有生物标志物如C反应蛋白（CRP）或降钙素原（PCT）在这一免疫功能受损人群中特异性有限。本研究提出一种基于质谱的新型整合蛋白质组学方法，可同时定量血浆中的宿主蛋白和微生物蛋白，识别与不良结局相关的分子模式。将在两个时间点采集血浆样本（10 mL，EDTA）：首次发热发作时（抗生素给药前）及48小时后。
蛋白质将使用PreOmics® ENRICHplus技术进行处理，并在Evosep One-timsTOF Pro2平台上通过LC-MS/MS进行分析。差异表达蛋白将采用数据非依赖性采集（DIA-PASEF）工作流进行鉴定，并在200例患者亚组中通过靶向质谱进行验证。临床、分析和微生物学数据将通过REDCap平台收集。将使用机器学习模型（XGBoost、SHAP可解释性）整合蛋白质组学和临床数据，生成并发症的预测风险模型。本研究有望建立一种新的决策支持工具，用于早期识别高风险FN患者，促进个性化抗菌策略并改善预后。
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。
