COVID感染后及Long COVID患者干扰素基因表达随时间下降
该数据集来自一项多队列研究，分析急性COVID-19患者（5个队列，541份样本）和Long COVID患者（188例）的干扰素（IFN）基因表达模式，并与三种自身免疫疾病（系统性红斑狼疮242例、系统性硬化症91例、干燥综合征282例）的表达模式进行比较
基本信息
资源简介
COVID感染后及Long COVID患者干扰素基因表达随时间下降
Interferon gene expression declines over time post-COVID infection and in long COVID patients
该数据集来自一项多队列研究，分析急性COVID-19患者（5个队列，541份样本）和Long COVID患者（188例）的干扰素（IFN）基因表达模式，并与三种自身免疫疾病（系统性红斑狼疮242例、系统性硬化症91例、干燥综合征282例）的表达模式进行比较。数据集包含4个补充文件（xlsx和docx格式），主题涉及Long COVID、感染后综合征、干扰素、RNAseq和转录组学，可用于研究IFN基因表达在COVID-19及Long COVID进展中的作用（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Interferon gene expression declines over time post-COVID infection and in long COVID patients》发表于 Infectious Diseases（2024），DOI：10.1080/23744235.2024.2389481。项目资助方：This study received support (i) ISCIII: TRINEO: PI22/00162; DIAVIR: DTS19/00049; Resvi-Omics: PI19/01039 (to A.S.), ReSVinext: PI16/01569, Enterogen: PI19/01090, OMI-COVI-VAC: PI22/00406 (to F.M.-T.), cofinanciados FEDER, (ii) GAIN: IN607B 2020/08 and IN607A 2023/02 (to A.S.), GEN-COVID (IN845D 2020/23 (to F.M.-T.), IIN607A2021/05 (to F.M.-T.); (iii) ACIS: BI-BACVIR (PRIS-3, to A.S.), CovidPhy (SA 304 C, to A.S.); (iv) Spanish Ministry of Science and Innovation (MCIN)/Spanish Research Agency (AEI) (KAWA-TesT: PID2022-142156OB-I00, to AG-C); and (v) consorcio Centro de InvestigaciónBiomédicaen Red de EnfermedadesRespiratorias (CB21/06/00103; to A.S. and F.M.-T.). This study has been funded by Instituto de Salud Carlos III (ISCIII) through the project ‘CP23/00080’ and co-funded by the European Union (AG-C). The funders were not involved in the study design, collection, analysis, interpretation of data, the writing of this article or the decision to submit it for publication.。源站首次发布：2024-08-20。
【数据内容】
源站描述（机器翻译，仅供参考）：干扰素（IFN）是抵御病毒和其他病原体的第一道防线。已有研究表明，这些糖蛋白的受损和不受控制的释放可导致组织损伤，并解释2019冠状病毒病（COVID-19）的严重进展。然而，它们在Long-COVID综合征（LC）中的潜在作用仍存争议。本研究旨在进一步阐明IFN（及相关基因）基因表达模式在COVID-19和LC患者进展中的可能作用。我们开展了一项多队列研究，通过分析五个急性COVID-19队列（n = 541份样本）和LC患者（n = 188）中的IFN基因表达模式（使用不同的IFN基因特征），并将其与三种自身免疫疾病中观察到的模式进行比较（系统性红斑狼疮[n = 242]、系统性硬化症[n = 91]和干燥综合征[n = 282]）。
【数据结构与技术规格】
文件数 4 个，合计 3.19 MB。数据集 DOI：10.6084/m9.figshare.26790440.v1。
【主题与分类】
源站学科分类：Microbiology、Genetics、Ecology、Immunology、Infectious Diseases。主题标签：Long COVID、post-COVID syndrome、interferon、RNAseq、transcriptomics。本站分类：免疫系统疾病。
【适用方向】
源站学科分类标注为 Microbiology、Genetics、Ecology、Immunology、Infectious Diseases。
【获取与许可】
源站页面：https://tandf.figshare.com/articles/dataset/Interferon_gene_expression_declines_over_time_post-COVID_infection_and_in_long_COVID_patients/26790440
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Interferon gene expression declines over time post-COVID infection and in long COVID patients. Taylor & Francis. Gómez-Carballa, A.; Pischedda, S.; Pardo-Seco, J.; Gómez-Rial, J.; Martinón-Torres, F.; Salas, A
【使用注意】
· 源站最后修改于 2024-12-26，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.26790440
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 3.2 MB。
数据说明
干扰素（IFNs）是抵御病毒和其他病原体的一线防御机制。已有研究表明，这些糖蛋白释放受损和失控可导致组织损伤，并可解释2019冠状病毒病（COVID-19）的严重进展。然而，它们在长新冠综合征（LC）中的潜在作用仍存在争议。本研究旨在进一步阐明IFN（及相关基因）基因表达模式在COVID-19和LC患者病程中的可能作用。我们开展了一项多队列研究，通过分析五个急性COVID-19队列（n = 541份样本）和LC患者队列（n = 188）中的IFN基因表达模式（使用不同的IFN基因特征），并将其与三种自身免疫性疾病中观察到的模式进行比较，包括系统性红斑狼疮（n = 242）、系统性硬化症（n = 91）和干燥综合征（n = 282）。数据显示，虽然干扰素特征在重症COVID-19患者和自身免疫性疾病中强烈上调，但其随症状出现时间的推移而在LC患者中减弱。
IFN相关术语的差异通路分析表明，自身免疫性疾病（IFN-I/II）和重症COVID-19（IFN-I/II/III）中存在过度激活，而这些通路在LC（IFN-I/III）中大多失活或下调。通过分析六个蛋白质组学LC数据集，我们未发现IFN在该病症中发挥作用的证据。我们的研究结果提示，由IFN基因表达失活介导的细胞因子耗竭可能是LC的一个潜在驱动因素。
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。
