PRJNA1032485：利用病毒序列多样性估计婴儿HIV感染时间
该数据集来自NCBI，包含对22名感染时间明确的肯尼亚婴儿纵向血浆样本进行Illumina测序的gag和pol原始序列读段
基本信息
资源简介
PRJNA1032485：利用病毒序列多样性估计婴儿HIV感染时间
该数据集来自 NCBI，主题为感染性疾病领域的原始序列读段，英文名称为“PRJNA1032485: Using viral sequence diversity to estimate time of HIV infection in infants”。其核心内容是对22名感染时间已有明确记录的肯尼亚婴儿的纵向血浆样本进行 Illumina 测序，获得 HIV 的 gag 和 pol 基因区原始序列读段。研究关注婴儿 HIV 感染时间估计问题：感染时的年龄可能影响婴儿体内的病毒致病过程，而感染时间并不总能确定；研究通过刻画病毒序列多样性随时间的变化，构建婴儿训练的贝叶斯分层回归模型，以病毒多样性预测感染后时间。数据集即为支撑该研究的测序原始读段。
【数据集背景】
HIV 感染时间（即感染日期）在婴儿中并不总是已知，而感染时的年龄可能影响病毒在婴儿体内的致病过程。已有成人研究利用 HIV RNA 多样化速率估计感染时间，但由于婴儿与成人的病毒动力学可能存在差异，成人训练的模型能否准确用于婴儿尚不清楚。病毒多样化速率在成人中已有较好定义，但刻画婴儿这些动态的数据仍然有限。该研究针对这一空白，对感染时间记录明确的婴儿纵向样本进行测序，以表征病毒多样性随时间的变化，并据此建立适用于婴儿的感染时间预测模型。
【数据内容】
数据集的主题标签为原始序列读段（Raw sequence reads），即测序产生的原始序列数据。测序靶标为 HIV 的 gag 和 pol 两个基因区，测序平台为 Illumina。样本来自22名肯尼亚婴儿的纵向血浆样本，这些婴儿的感染时间已有明确刻画。数据可用于分析病毒序列多样性随感染后时间的变化，并作为构建和评估婴儿训练贝叶斯分层回归模型的基础数据。源站描述未提供样本量以外的具体读段数量、序列长度、文件数目等细节。
【采集与来源】
数据来源于 ncbi.nlm.nih.gov。样本为肯尼亚婴儿的纵向血浆样本，共22名婴儿，其感染时间记录明确。研究者对这些样本的 gag 和 pol 区进行 Illumina 测序。源站描述未提供采样地点、采样时间跨度、测序中心、文库制备方法等更细的采集信息。
【适用场景】
该数据适用于研究婴儿 HIV 感染后的病毒序列多样性动态，评估病毒多样性作为感染后时间标志物的可行性，以及开发或验证以病毒多样性预测婴儿感染时间的统计模型。也可用于比较婴儿与成人病毒多样化速率的差异。由于数据为原始序列读段，适合具备序列处理与生物信息学分析能力的用户开展二次分析。源站描述未提及其他具体应用场景。
【使用方法】
使用该数据通常需要先对原始读段进行质量控制、比对和变异识别，再计算病毒序列多样性指标，并将其与已知的感染时间信息结合，用于回归建模或模型验证。源站描述未提供具体的处理流程、参数设置或分析代码，相关方法需参考原始研究文献。
【质量与限制】
该数据集的一个关键特点是样本的感染时间已有明确刻画，这为研究病毒多样性随时间的变化提供了基础。但样本量仅为22名婴儿，且局限于 gag 和 pol 两个基因区，源站描述未提供测序深度、覆盖度、重复样本数等质量指标，也未说明数据是否存在其他技术限制。使用时应结合原始研究文献评估数据适用性。
【引用与许可】
源站未提供引用方式与许可信息。
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://ncbi.nlm.nih.gov/bioproject/PRJNA1032485
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
HIV感染时的年龄可能影响婴儿的病毒致病机制，然而感染时机（即感染日期）并非总能确定。成人研究已利用HIV RNA多样化速率来估计感染时机，但由于病毒动力学可能存在差异，尚不清楚经成人数据训练的模型用于婴儿时能否提供准确预测。虽然病毒多样化速率在成人中已有明确界定，但描述婴儿这些动力学的数据有限。本研究对22名感染时机明确界定的肯尼亚婴儿的纵向血浆样本进行了gag和pol基因的Illumina测序。我们利用这些数据，通过设计一个经婴儿数据训练的贝叶斯分层回归模型，以病毒多样性预测感染后时间，从而刻画病毒多样性随时间的变化。结果显示，大多数婴儿的多样性随时间累积（pol基因内多样性累积速率中位数为0.00079多样性/月），且多样性累积速度远快于成人（相比之下，既往报道的成人pol基因内速率为0.00024多样性/月[1]）。
我们发现，婴儿病毒多样化的速率因个体、基因区域和感染的相对时间而异，但与设定点病毒载量或CD4+ T细胞下降速率无关。我们将这一经婴儿数据训练的贝叶斯分层回归模型的预测性能与使用相同婴儿数据训练的简单线性回归模型以及现有的经成人数据训练的模型[1]进行了比较。利用来自另外15名具有频繁HIV检测以确定感染时间的婴儿的独立数据集，我们证明经婴儿数据训练的模型比现有的经成人数据训练的模型能更准确地估计感染时间。这项工作将有助于确定感染时间未知的婴儿的HIV感染时间，并有助于完善我们对婴儿病毒多样性如何积累的理解，这两者都可能对未来的开发产生广泛影响。
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。
