缺失tTreg或pTreg细胞时内脏脂肪组织CD4+ T细胞应答
该数据集来自NCBI GEO，利用分别选择性缺失tTreg（ΔtTreg）或pTreg（ΔpTreg）细胞发育的互补小鼠模型，从内脏脂肪组织（VAT）中FACS纯化CD4+ T细胞，并通过10x Genomics平台进行单细胞RNA测序（scRNA-seq）和单细胞T细胞受体测序（scTCR-seq
基本信息
资源简介
缺失tTreg或pTreg细胞时内脏脂肪组织CD4+ T细胞应答
VAT CD4+ T cell responses in the absence of either tTreg or pTreg cells
该数据集来自NCBI GEO，利用分别选择性缺失tTreg（ΔtTreg）或pTreg（ΔpTreg）细胞发育的互补小鼠模型，从内脏脂肪组织（VAT）中FACS纯化CD4+ T细胞，并通过10x Genomics平台进行单细胞RNA测序（scRNA-seq）和单细胞T细胞受体测序（scTCR-seq）。数据覆盖VAT中CD4+ T细胞亚群及TCR克隆型的高分辨率信息，可用于探究tTreg与pTreg细胞对脂肪组织稳态和炎症的差异性贡献（来源 NCBI）。
【数据集背景】
源站首次发布：May 20 202。
【数据内容】
源站描述（机器翻译，仅供参考）：Foxp3⁺调节性T（Treg）细胞是维持内脏脂肪组织（VAT）稳态的重要调节因子。由于缺乏明确的谱系标志物，胸腺来源（tTreg）和外周诱导（pTreg）亚群对VAT Treg库的相对贡献尚不清楚。为解析其作用，我们使用了分别选择性缺失tTreg（ΔtTreg）或pTreg（ΔpTreg）细胞发育的互补小鼠模型。通过FACS从这些小鼠的VAT中纯化CD4⁺ T细胞，并利用10x Genomics进行单细胞RNA测序（scRNA-seq）和单细胞T细胞受体测序（scTCR-seq）分析。该数据集提供了VAT CD4⁺ T细胞亚群和TCR克隆型的高分辨率视图，有助于从功能上理解pTreg和tTreg细胞如何差异性地参与脂肪组织稳态和炎症。
【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：GPL24247、10090。本站分类：免疫系统疾病/其他。
【获取与许可】
源站页面：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE297656
【使用注意】
· 源站最后修改于 Sep 14 202，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=GSE297656
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
Foxp3⁺调节性T（Treg）细胞是维持内脏脂肪组织（VAT）稳态的重要调节因子。由于缺乏明确的谱系标志物，胸腺来源（tTreg）与外周诱导（pTreg）亚群对VAT Treg库的相对贡献一直不清楚。为解析其作用，我们采用了分别选择性缺失tTreg（ΔtTreg）或pTreg（ΔpTreg）细胞发育的互补小鼠模型。从这些小鼠的VAT中通过FACS纯化CD4⁺ T细胞，并利用10x Genomics平台进行单细胞RNA测序（scRNA-seq）和单细胞T细胞受体测序（scTCR-seq）分析。该数据集提供了VAT CD4⁺ T细胞亚群和TCR克隆型的高分辨率视图，有助于从功能上深入理解pTreg和tTreg细胞如何差异化地参与脂肪组织稳态与炎症。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
