COVID-19患者循环miRNA谱及荟萃分析：疾病进展与预后意义

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA1005648

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

我们比较了住院COVID阳性患者（n = 104，其中27例伴有ARDS）与年龄和性别匹配的健康对照者（n = 18）的循环miRNA谱，以识别与COVID及COVID诱导的ARDS相关的miRNA特征。我们进行了一项荟萃分析，整合了已发表研究的数据与本研究的 data，以识别以下两组中差异表达的miRNA：1）COVID阳性患者与健康对照者；2）重症（ARDS+）COVID与中度COVID。对这些miRNA所相互作用基因的基因本体富集分析，识别出与免疫应答相关的条目，如干扰素和白介素信号传导，以及与COVID疾病和严重程度相关的病毒基因组活动。此外，我们观察到在所有COVID患者中，位于14号染色体（14q32）的一个miRNA簇表达下调。为预测COVID疾病及其严重程度，我们开发了机器学习模型，预测疾病的AUC评分达到0.88–0.93，预测严重程度的AUC评分达到0.62–0.81，即使在样本类型（血浆与血清）、采集方法和文库制备各异的多种研究中也是如此。

我们的研究结果为COVID疾病进展提供了网络和顶级miRNA特征的见解，并有助于疾病预后和管理工具的开发。总体设计：使用血浆样本获取患者和正常对照的miRNA谱。

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。