烧伤后死亡与恢复延迟相关的独特转录组特征
该数据集来自 NCBI GEO(GSE269523),收录烧伤患者伤后 21 天内的血液 RNA 微阵列基因表达数据,共量化 116 名患者的 17 289 个转录本

基本信息
资源简介
烧伤后死亡与恢复延迟相关的独特转录组特征
Distinct Transcriptome Signatures Associated with Mortality and Prolonged Recovery Following Burn Injury
该数据集来自 NCBI GEO(GSE269523),收录烧伤患者伤后 21 天内的血液 RNA 微阵列基因表达数据,共量化 116 名患者的 17 289 个转录本。研究按临床结局分为四组:7 天内死亡、7 天后死亡、7 天后出院、7 天内出院,并在入院及设定时间点进行组间与组内比较。数据可用于挖掘与烧伤后死亡和恢复延迟相关的差异表达基因及通路,支持免疫反应失调的纵向转录组分析(来源 NCBI)。
【数据集背景】
源站首次发布:Jun 10 202。
【数据内容】
源站描述(机器翻译,仅供参考):严重烧伤后免疫反应失调与不良的短期和长期临床结局相关。烧伤后最初 24 小时内基因表达的关键变化已被识别,但缺乏纵向数据。因此,本研究旨在表征烧伤后最初 3 周内的基因表达,并识别与不同临床结局相关的特定基因和通路。伤后 4 小时内就诊的患者在入院时及至 21 天的设定时间点采集血液并分离 RNA 进行微阵列基因表达检测。在 4 组之间进行组间和组内比较(G1 7 天内死亡;G2 7 天后死亡;G3 7 天后出院;G4 7 天内出院)。共从 116 名患者中量化了 17 289 个转录本。入院时,G1、G2 中分别有 110、80 和 31 个差异表达基因
【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:Expression profiling by array、GPL16699、9606。本站分类:免疫系统疾病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE269523
【使用注意】
· 源站最后修改于 May 29 202,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=GSE269523
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
严重烧伤后免疫反应失调与不良的短期和长期临床结局相关。烧伤后24小时内基因表达的关键变化已被识别,但缺乏纵向数据。因此,本研究旨在描述烧伤后前3周内的基因表达特征,并识别与不同临床结局相关的特定基因和通路。伤后4小时内就诊的患者在入院时及至第21天的设定时间点采集血液并分离RNA进行微阵列基因表达检测。在4组之间进行组间和组内比较(G1:7天内死亡;G2:7天后死亡;G3:7天后出院;G4:7天内出院)。共对116例患者的17 289个转录本进行了定量。入院时,与G4相比,G1、G2和G3分别有110、80和31个差异表达基因,且大部分不重叠。纵向组内分析也显示出不同的组别和时间依赖性模式。
在损伤后的早期时间点,与先天免疫应答和未折叠蛋白反应相关的基因和通路的上调占主导地位,而在损伤后数天至数周内,则发现凝血通路的持续上调和免疫相关通路的下调。总体而言,烧伤会引发广泛的转录组反应,在临床结局较差的患者中观察到更大且更持续的变化。这些基因表达特征揭示了损伤后立即发生的潜在分子机制,并可能在烧伤患者的诊疗中具有预后和诊断价值。
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。




