基于网络转组学方法预测协同药物组合

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE254052

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

我们通过微阵列分析检查了协同药物组合的作用模式。我们重点关注辣椒素和米托蒽醌的药物组合，这是SyndrumNET识别出的排名最高的预测药物对。联合治疗可以在医学治疗上提供更大的疗效。然而，发现协同药物组合具有挑战性。我们提出了一种新的计算方法SyndrumNET，通过结合跨组学分析的网络传播来预测协同药物组合。该预测基于疾病与药物之间的拓扑关系、基于网络的邻近性和转录相关性。SyndrumNET被应用于分析六种疾病，包括哮喘、糖尿病、高血压、结直肠癌、急性髓系白血病（AML）和慢性髓系白血病（CML），并且在高准确性方面优于先前的方法。我们进行了体外细胞存活试验，以验证我们对CML的预测。在排名前17的预测药物对中，有14个药物对成功表现出协同抗癌作用。

我们的作用机制分析还揭示，预测排名最高的辣椒素与米托蒽醌组合的药物协同作用，源于对包括Rap1信号通路在内的12条通路的互补性调控。所提出的方法有望用于多种复杂疾病。

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。