数据表2_探索图像/组学联合分析用于非癌组织学表型的极限.xlsx
该数据表探讨非癌症组织学表型中图像与组学联合分析的限度。GTEx Consortium数据用于研究亚临床多组织表型中组织学、影像与组学联系
基本信息
资源简介
数据表2_探索图像/组学联合分析用于非癌组织学表型的极限.xlsx
Data_Sheet_2_Exploring the Limits of Combined Image/'omics Analysis for Non-cancer Histological Phenotypes.xlsx
该数据表探讨非癌症组织学表型中图像与组学联合分析的限度。GTEx Consortium数据用于研究亚临床多组织表型中组织学、影像与组学联系。研究调查组织学基因组关联与预测，测试机器学习在影像、基因组及组合数据上的准确度。结果显示表达数据预测病理与影像相似或更优，网络嵌入改善有限；支持基因组测量预测及同一目标组织使用，并显示通路和组织特异性生物学证据（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Joint analysis of gene expression levels and histological images identifies genes associated with tissue morphology》发表于 期刊（2018），DOI：10.1101/458711。源站首次发布：2020-10-23。
【数据内容】
源站描述（机器翻译，仅供参考）：过去几年，将影像数据与组学数据相结合、以及预测临床表型的方法和应用呈爆炸式增长。这类研究大多集中于癌症组织学，其遗传扰动大、信噪比高。针对慢性复杂疾病的相关研究则受限于组织样本可及性、较低的基因组信号强度，以及中间组织学表型程度较不极端且具有组织特异性的特点。GTEx Consortium 的数据为研究表型组织学变异、影像数据与组学分析之间的联系提供了独特机会，这些联系来自亚临床水平上的多种组织特异性表型。通过考察多个组织中的组织学分类，我们梳理了组织学的基因组关联与预测证据，并利用这些结果检验机器学习方法应用于影像数据、基因组数据及其组合时的预测准确度极限。我们发现，表达数据在病理预测上的准确度与我们使用影像数据相当或更高，尽管病理判定本身正是根据这些图像作出的。多种机器学习方法表现相似，而网络嵌入方法最多只能带来有限的改进。这些观察结果在多种组织和预测变量类型中均成立。这些结果支持将基因组测量用于预测，也支持使用已进行病理表型分型的同一目标组织。尽管最后这一发现合乎情理，但据我们所知，我们的研究首次从实证上证明了这一事实。尽管预测准确度仍是一项挑战，结果仍显示出通路和组织特异性生物学的明确证据。
【数据结构与技术规格】
文件数 1 个，合计 494.92 KB。数据集 DOI：10.3389/fgene.2020.555886.s002。
【主题与分类】
源站学科分类：Gene and Molecular Therapy、Biomarkers、Genetics、Genetically Modified Animals、Developmental Genetics (incl. Sex Determination)、Epigenetics (incl. Genome Methylation and Epigenomics)。主题标签：imaging、genomics、pathology、prediction、integration、histology、machine learning、embedding。本站分类：肿瘤。
【适用方向】
源站学科分类标注为 Gene and Molecular Therapy、Biomarkers、Genetics、Genetically Modified Animals、Developmental Genetics (incl. Sex Determination)、Epigenetics (incl. Genome Methylation and Epigenomics)。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_2_Exploring_the_Limits_of_Combined_Image_omics_Analysis_for_Non-cancer_Histological_Phenotypes_xlsx/13134209
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Gallins, Paul; Saghapour, Ehsan; Zhou, Yi-Hui (2020). Data_Sheet_2_Exploring the Limits of Combined Image/'omics Analysis for Non-cancer Histological Phenotypes.xlsx. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-01，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Data_Sheet_2_Exploring the Limits of Combined Image/'omics Analysis for Non-cancer Histological Phenotypes.xlsx
- DOI：10.3389/fgene.2020.555886.s002
- 发布日期：2020-10-23
- 文件数：1 个
- 文件总体积：494.92 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_2_Exploring_the_Limits_of_Combined_Image_omics_Analysis_for_Non-cancer_Histological_Phenotypes_xlsx/13134209
命令行下载
curl -L -o "Data_Sheet_2_Exploring the Limits of Combined Image/'omics Analysis for Non-cancer Histological Phenotypes.xlsx" "https://ndownloader.figshare.com/files/25209386"
文件清单
Data_Sheet_2_Exploring the Limits of Combined Image/'omics Analysis for Non-cancer Histological Phenotypes.xlsx（494.92 KB）
文件总体积 494.92 KB（源站 API 实测）。
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。
数据说明
过去几年，将影像数据与组学数据相结合、以及预测临床表型的方法和应用呈爆炸式增长。这类研究大多集中于癌症组织学，其遗传扰动大、信噪比高。针对慢性复杂疾病的相关研究则受限于组织样本可及性、较低的基因组信号强度，以及中间组织学表型程度较不极端且具有组织特异性的特点。GTEx Consortium 的数据为研究表型组织学变异、影像数据与组学分析之间的联系提供了独特机会，这些联系来自亚临床水平上的多种组织特异性表型。通过考察多个组织中的组织学分类，我们梳理了组织学的基因组关联与预测证据，并利用这些结果检验机器学习方法应用于影像数据、基因组数据及其组合时的预测准确度极限。我们发现，表达数据在病理预测上的准确度与我们使用影像数据相当或更高，尽管病理判定本身正是根据这些图像作出的。多种机器学习方法表现相似，而网络嵌入方法最多只能带来有限的改进。这些观察结果在多种组织和预测变量类型中均成立。这些结果支持将基因组测量用于预测，也支持使用已进行病理表型分型的同一目标组织。尽管最后这一发现合乎情理，但据我们所知，我们的研究首次从实证上证明了这一事实。尽管预测准确度仍是一项挑战，结果仍显示出通路和组织特异性生物学的明确证据。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fgene.2020.555886.s002（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_2_Exploring_the_Limits_of_Combined_Image_omics_Analysis_for_Non-cancer_Histological_Phenotypes_xlsx/13134209）。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
