PRJNA1455937：卢旺达恶性疟原虫再燃与新感染区分技术及标志物比较
该数据集来自NCBI，包含在卢旺达采集的恶性疟原虫临床样本的扩增子测序和片段分析数据，对msp1、msp2、glurp等多态性标志物、微卫星以及ama1、cpmp、cpp、csp等SNP富集位点进行基因分型
基本信息
资源简介
PRJNA1455937：卢旺达恶性疟原虫再燃与新感染区分技术及标志物比较
PRJNA1455937 数据集来自 NCBI，围绕卢旺达恶性疟原虫疟疾治疗疗效研究中区分复燃与新感染的分子方法展开。该数据集包含在卢旺达采集的恶性疟原虫临床样本的扩增子测序和片段分析数据，对 msp1、msp2、glurp 等多态性标志物、微卫星以及 ama1、cpmp、cpp、csp 等 SNP 富集位点进行基因分型。研究通过比较不同标志物和分类算法的表现，评估用于 PCR 校正的分子策略，为抗疟药物疗效的稳健、可重复估计提供数据支持。数据集在站内归入感染性疾病 / 其他分类，主题标签为原始序列读段（Raw sequence reads）。
【数据集背景】
疟疾治疗疗效研究中，复发病例的判定是关键环节：患者在接受抗疟治疗后再次出现寄生虫血症，既可能是原虫未被彻底清除而导致的复燃，也可能是新的蚊媒感染。仅凭临床症状难以区分二者，需要借助分子基因分型手段进行 PCR 校正。该数据集对应的研究正是针对这一需求，在卢旺达的临床样本中系统比较多种分子标志物与分类算法在区分恶性疟原虫复燃与新感染方面的表现，以支持抗疟药物疗效评价方法的改进。
【数据内容】
数据集包含对临床样本进行扩增子测序和片段分析所产生的基因分型数据，覆盖三类分子标志物：一是 msp1、msp2、glurp 等多态性标志物；二是微卫星位点；三是 ama1、cpmp、cpp、csp 等 SNP 富集位点。数据主题标签为原始序列读段，表明数据主体为测序产生的原始读段形式。这些数据被用于比较不同标志物的判别性能以及分类算法在复燃与新感染区分中的效果。
【采集与来源】
样本采集地点为卢旺达，采集对象为恶性疟原虫疟疾临床样本。数据来源于 NCBI（ncbi.nlm.nih.gov），数据集英文名称为 PRJNA1455937: Comparison of techniques and markers to distinguish Plasmodium falciparum recrudescence from new infection in Rwanda。
【适用场景】
该数据集适用于恶性疟原虫治疗疗效研究中复燃与新感染判别方法的评估与开发，包括比较不同多态性标志物、微卫星和 SNP 富集位点的基因分型表现，以及检验和比较分类算法在复发疟疾病例判定中的效果。其目标用途是支持建立稳健、可重复的抗疟药物疗效估计方法。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/PRJNA1455937
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
本研究探讨了用于恶性疟原虫疟疾疗效研究中PCR校正的分子方法。对在卢旺达采集的临床样本进行了扩增子测序和片段分析，以对多态性标记（msp1、msp2、glurp）、微卫星以及富含SNP的位点（ama1、cpmp、cpp、csp）进行基因分型。这些数据用于比较标记性能和分类算法，以区分复发性疟疾病例中的再燃与新感染。该数据集支持评估和开发用于估计抗疟药物疗效的稳健、可重复的方法。
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。
