基于统计学习的乳糜泻基因组精准预测数据集
该数据集来自 doi.org，包含 grs.txt 与 supplementary-w-figs.pdf 两个文件，围绕乳糜泻的基因组风险预测研究
基本信息
资源简介
基于统计学习的乳糜泻基因组精准预测数据集
Accurate and robust genomic prediction of celiac disease using statistical learning
该数据集来自 doi.org，包含 grs.txt 与 supplementary-w-figs.pdf 两个文件，围绕乳糜泻的基因组风险预测研究。研究利用六个欧洲乳糜泻队列，采用同时建模全基因组 SNP 的统计学习方法构建预测模型，并在队列内交叉验证与跨队列独立验证中评估性能，AUC 分别达到 0.87—0.89 和 0.86—0.9，模型解释度约 30—35。数据可用于基因组风险评分方法比较、乳糜泻遗传风险分层及 HLA 检测之外的风险预测研究（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2013-12-18。
【数据内容】
源站描述（机器翻译，仅供参考）：将基于基因组的风险分层实际应用于临床诊断颇具吸引力，但其性能因疾病和基因组风险评分（GRS）方法的不同而差异很大。乳糜泻（CD）是一种常见的免疫介导疾病，具有很强的遗传决定性，需要特定的 HLA 单倍型。HLA 检测可以排除诊断，但特异性低，几乎不能提供适合临床风险分层的信息。利用六个欧洲 CD 队列，我们提供了一项概念验证：同时建模所有 SNP 的统计学习方法可以基于全基因组 SNP 图谱生成稳健且高度准确的预测模型。尽管存在种族差异，这种高预测能力在每个队列内的交叉验证（AUC 为 0.87—0.89）和跨队列的独立重复验证（AUC 为 0.86—0.9）中均得到重现。这些模型解释了 30—35
【数据结构与技术规格】
文件数 2 个，合计 2.02 MB。数据集 DOI：10.6084/m9.figshare.154193.v3。
【主题与分类】
源站学科分类：Bioinformatics and computational biology not elsewhere classified、Genetics not elsewhere classified。主题标签：prediction、Risk score、celiac、snp、Bioinformatics、Genetics。本站分类：免疫系统疾病。
【适用方向】
源站学科分类标注为 Bioinformatics and computational biology not elsewhere classified、Genetics not elsewhere classified。
【获取与许可】
源站页面：https://figshare.com/articles/dataset/Accurate_and_robust_genomic_prediction_of_celiac_disease_using_statistical_learning/154193
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Abraham, Gad (2013). Accurate and robust genomic prediction of celiac disease using statistical learning. figshare. Dataset
【使用注意】
· 源站最后修改于 2023-05-30，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://doi.org/10.6084/m9.figshare.154193
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:
数据集大小约 2.0 MB。
数据说明
将基于基因组学的风险分层实际应用于临床诊断颇具吸引力，但其性能因疾病和基因组风险评分（GRS）方法的不同而差异很大。乳糜泻（CD）是一种常见的免疫介导疾病，具有很强的遗传决定性，并且需要特定的HLA单倍型。HLA检测可以排除诊断，但特异性低，几乎无法提供适合临床风险分层的信息。利用六个欧洲CD队列，我们提供了一个概念验证，即同时建模所有SNP的统计学习方法能够基于全基因组SNP谱生成稳健且高度准确的预测模型。尽管存在种族差异，这种高预测能力在每个队列内的交叉验证中（AUC为0.87—0.89）以及在队列间的独立重复中（AUC为0.86—0.9）均得到重现。这些模型解释了30—35%的疾病方差以及高达约43%的遗传力。我们在不同的临床相关情境中评估了GRS的效用。
与HLA分型相比，GRS可用于识别无CD的个体，其阴性预测值≥99.6%；然而，与HLA分型不同的是，患者还可以被分层为CD较高风险类别，这些患者将受益于更具侵入性和成本更高的确诊检测。GRS具有灵活性，其性能可通过调整阈值截断值来适应临床情况。尽管只能解释少部分疾病遗传力，我们的研究结果表明，预测性GRS提供了临床相关信息，可改进当前CD的诊断路径，并支持进一步研究评估该方法在CD和其他复杂疾病中的临床效用。
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。
