GSE271689：提升免疫治疗结局：非小细胞肺癌空间多组学预测模型

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE271689

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

非小细胞肺癌（NSCLC）的靶向治疗和全身治疗手段日益增多，使部分患者能够获得长期持久获益。理解患者对特定治疗反应的根本在于对 underlying 肿瘤免疫微环境（TIME）进行全面分子表征。TIME可为预测免疫治疗结局的模型提供信息，并为界定治疗反应和临床终点提供特征。我们假设，整合的多组学方法将揭示NSCLC TIME内部的相互作用，并识别可预测免疫治疗反应的新型生物标志物，从而助力精准肿瘤学。为构建NSCLC免疫治疗的空间分辨TIME模型，我们采用多组学方法，结合通过Phenocycler Fusion（PCF）在单细胞分辨率下对蛋白质表达进行空间定位，以及通过Digital Spatial Profiling（DSP–GeoMx–WTA）在细胞区室分辨率下进行多细胞读出的全转录组谱分析。该方法有助于详细检查接受一线免疫治疗的NSCLC患者样本中的TIME。

我们研究了两个独立的晚期非小细胞肺癌（NSCLC）组织样本队列，这些样本接受了基于PD-1的免疫治疗。我们通过多阶段最小绝对收缩和选择算子（LASSO）方法，从细胞类型特征中衍生出基因特征，以预测治疗结果。我们的空间蛋白质组分析识别出三种与免疫治疗耐药相关的不同细胞类型：增殖性肿瘤细胞、粒细胞和血管。这些细胞类型的高比例在耶鲁训练队列中显示出3.8的风险比（HR）（p = 0.004），在UQ验证队列中为1.8（p = 0.05）。在应答细胞类型模型中，较高水平的M1巨噬细胞、M2巨噬细胞和CD4 T细胞在训练队列中的HR为0.4（p = 0.019），在验证队列中为0.49（p = 0.036）。在转录组分析中，衍生的基因特征

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。