深度学习引导发现抗鲍曼不动杆菌窄谱抗生素数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE214305

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

鲍曼不动杆菌是一种医院获得性革兰阴性病原体，由于其坚固的外膜以及获取和保留胞外DNA的能力，常表现出多重耐药性。此外，它能在物体表面长时间存活，并具有抗干燥能力。通过传统筛选方法发现针对鲍曼不动杆菌的新型抗生素已被证明具有挑战性。幸运的是，机器学习方法能够快速探索化学空间，从而提高发现对该难治性病原体具有抗菌活性的新化学实体的概率。在本研究中，我们筛选了约7，500个分子，以寻找在体外抑制鲍曼不动杆菌生长的分子。我们利用该生长抑制数据集训练了一个深度神经网络，并对Drug Repurposing Hub进行了预测，以寻找具有抗鲍曼不动杆菌活性的结构新颖分子。通过这种方法，我们发现了abaucin，一种对鲍曼不动杆菌具有窄谱抗菌活性的抗菌化合物，能够克服临床分离株中的固有耐药和获得性耐药机制。

进一步研究显示，abaucin通过涉及LolE的机制干扰脂蛋白运输，LolE是一种功能保守的蛋白质，有助于将脂蛋白从内膜转运至外膜。此外，abaucin能够控制小鼠伤口模型中的鲍曼不动杆菌感染。总之，这项工作突显了机器学习在发现新型抗生素方面的实用性，并描述了一种有前景的先导化合物，其对具有挑战性的革兰氏阴性病原体具有窄谱活性。

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。