整合血浆蛋白质组与单细胞免疫信号网络特征区分轻中重度COVID-19
该数据集来自 search.dataone.org，包含 97 例轻、中、重度 COVID-19 患者及 40 例未感染患者的外周血数据，涵盖超过 1400 种血浆蛋白和 2600 个单细胞免疫特征（细胞表型、内源性信号活性及对炎症配体的信号响应）
基本信息
资源简介
整合血浆蛋白质组与单细胞免疫信号网络特征区分轻中重度COVID-19
Integrated plasma proteomic and single-cell immune signaling network signatures demarcate mild, moderate, and severe COVID-19
该数据集来自 search.dataone.org，包含 97 例轻、中、重度 COVID-19 患者及 40 例未感染患者的外周血数据，涵盖超过 1400 种血浆蛋白和 2600 个单细胞免疫特征（细胞表型、内源性信号活性及对炎症配体的信号响应）。采用整合计算方法分析血浆与单细胞蛋白质组数据，构建并独立验证了区分 COVID-19 严重程度的多变量模型，可用于研究疾病严重程度的生物学标志及免疫信号网络特征（来源 DataONE，CC0 1.0 Universal (CC0 1.0) Public Domain Dedication 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：COVID-19 临床表现范围背后的生物学决定因素尚未完全阐明。本文对 97 例轻、中、重度 COVID-19 患者及 40 例未感染患者的外周血进行了横断面评估，涵盖超过 1400 种血浆蛋白和 2600 个单细胞免疫特征，包括细胞表型、内源性信号活性以及对炎症配体的信号响应。采用整合计算方法分析合并的血浆与单细胞蛋白质组数据，我们识别并独立验证了一个对 COVID-19 严重程度进行分类的多变量模型（多分类 AUCtraining = 0.799，p 值 = 4.2e-6；多分类 AUCvalidation = 0.773，p 值 = 7.7e-6）。对信息性模型特征的检查揭示了 COVID-19 严重程度的新生物学特征，包括 JAK/STAT、MAPK/mTOR 和 NF-κB 免疫信号的失调
【主题与分类】
主题标签：Proteomics、Mass cytometry、Olink、SARS-CoV-2。本站分类：免疫系统疾病。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3Abaf80dbd924cc18e09b4885fac9c34c3e9d68f7eb1a58aeeae54d501fd2f373c
使用许可：CC0 1.0 Universal (CC0 1.0) Public Domain Dedication。
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
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
导致COVID-19临床表现多样性的生物学决定因素尚未完全明了。本研究对97名轻、中、重度COVID-19患者及40名未感染患者的外周血进行了横断面评估，检测了超过1400种血浆蛋白和2600个单细胞免疫特征，包括细胞表型、内源性信号活性以及对炎症配体的信号反应。通过采用整合计算方法分析血浆与单细胞蛋白质组学联合数据，我们识别并独立验证了一个分类COVID-19严重程度的多变量模型（多类AUC训练集=0.799，p值=4.2e-6；多类AUC验证集=0.773，p值=7.7e-6）。对模型信息特征的研究揭示了COVID-19严重程度的新生物学标志，包括JAK/STAT、MAPK/mTOR和NF-κB免疫信号网络的失调，同时再现了已知的COVID-19特征。这些结果提供了一套…
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。千方医数集依托三甲直采网络，提供合规、去标识化、支持注册级质控的专病数据集交易服务。
