56Fe离子辐照小鼠肝脏RNA-Seq分析：多通路高效识别

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE136165

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

背景：mRNA 之间以及与其他信号分子的相互作用决定了不同的生物学通路和功能。研究人员一直在探索各种工具来分析这类相互作用。特别是，基因共表达网络方法已被证明在发现和分析这些分子相互作用方面很有用。为识别这些相互作用网络，人们提出了许多不同的分析流程，目标是找到网络的最优划分，使各个模块既不会小到无法进行任何一般性推断，也不会大到在生物学上无法解释。结果：在本研究中，我们提出了一种新的流程来进行基因共表达网络分析。该流程使用 WGCNA——一个广泛用于执行基因共表达网络分析不同方面的软件——以及模块度最大化算法，来分析新的 RNA-Seq 数据，以了解低剂量 56Fe 离子辐照对小鼠肝细胞癌形成的影响。网络结果连同实验验证表明，在我们的数据集中，将 WGCNA 与 Modularity 结合使用可提供更具生物学可解释性的网络。

我们的流程在寻找模块方面表现出比WGCNA中现有聚类算法更优的性能，并识别出一个包含线粒体亚基的模块，该模块得到了线粒体复合物实验的支持。结论：我们提出了一种流程，能够针对可比的RNA-Seq数据集减少WGCNA现有算法中的参数选择问题，这可能有助于未来的研究，以发现新的mRNA相互作用及其下游分子效应。

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。