28例癌症患者CAR-T细胞输注产品的靶向scRNA-seq与AbSeq数据集

数据集获取

源站：https://omicsdi.org/dataset/biostudies-arrayexpress/E-MTAB-12407

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

使用靶向CD19的嵌合抗原受体（CAR）-T细胞进行免疫治疗，在治疗B细胞白血病和淋巴瘤方面已显示出极佳的效果。为了制备CAR-T细胞，需从患者血液中分离出自体T细胞，并在实验室中利用基因载体对其进行修饰，使其表面表达针对肿瘤抗原的CAR。随后，将CAR-T细胞扩增至一定数量并回输给患者，旨在清除肿瘤。然而，部分患者对CAR-T治疗表现出原发性耐药，而另一些患者则在CAR-T治疗后迅速复发。在本实验中，我们试图了解患者所接受的个体化CAR-T细胞产品的质量是否能预测治疗结果。我们利用单细胞RNA测序技术，研究了个体化CAR-T输注产品的转录谱。在该数据集中，我们鉴定出一个与治疗反应相关的T细胞亚群，可作为临床结局的指标。靶向RNA和蛋白质的单细胞文库是使用BD Rhapsody平台（BD Biosciences）获得的。总共制备了四个独立的靶向文库，每个文库包含6名患者。

测序在瑞典乌普萨拉的SNP&SEQ技术平台上的NovaSeq 6000 S1测序仪上进行。原始scRNA-seq数据由BD Biosciences使用Rhapsody分析流程预处理，将原始读取转换为唯一分子标识符（UMI）计数。在Rhapsody中，通过应用BD的递归替换错误校正（RSEC）和基于分布的错误校正（DBEC），进一步调整UMIs，以消除由测序或文库制备错误引起的假UMIs。混合样本通过Sample-tag读取进行去卷积。scRNA-seq和AbSeq计数被加载、处理，并使用Seurat v. 4.0.0进行聚类和差异基因表达分析。

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。