基于SEPARATE-Seq的患者相关原位肺癌模型多组学免疫图谱

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE304864

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

相关的临床前模型对于推动癌症治疗研究的进展至关重要。在此，我们利用一种可注射的原位肺腺癌（LUAD）模型（ORTHO）开发了一个临床前研究框架，该模型能够重现人类LUAD患者的关键特征，并可像患者样本一样，被解剖为肿瘤组织和邻近非肿瘤组织。我们还提出了SEPARATE-Seq技术，该技术能够结合scRNA-Seq对血管内和組織内免疫细胞进行分区分析。通过将SEPARATE-Seq和空间转录组学应用于我们的可解剖ORTHO模型，我们证实该模型重现了人类LUAD患者的关键免疫特征。与这些患者相似，我们观察到了NK细胞功能障碍和中性粒细胞二态性，并揭示这些现象是由其血管内/组织内或肿瘤/邻近位置所驱动的，突显了进行这些空间区分的必要性。此外，我们揭示了几种免疫细胞群局限于肿瘤内特定的局部微环境中，包括沿肿瘤边缘排列的一圈脂质相关TAMs以及干扰素刺激细胞枢纽。

总体而言，我们通过一个交互式工具提供的资源，对可重复的临床前LUAD小鼠模型进行了全面的多组学免疫特征描述。

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。