类风湿关节炎抗TNF治疗应答相关血液基因特征：荟萃分析与机器学习联合研究

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE309430

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

目的 肿瘤坏死因子α（TNF-α）抑制剂显著改善了类风湿关节炎（RA）的疗效；然而，高达30%–40%的患者反应不足。这凸显了需要预测性生物标志物来指导个体化治疗。血液转录组分析是识别与治疗反应相关的基因特征的一种有前景的策略，尽管既往研究由于技术和生物学异质性而显示出不一致的结果。方法 我们对来自八个独立RA队列的基线血液转录组数据集进行了全面的荟萃分析，以识别在对TNF-α抑制剂有反应的患者中持续上调的基因。该分析确定了一组39个重复出现的核心基因（重复基因集）。为评估其预测相关性，我们使用四个基因子集训练了机器学习模型：重复基因集、来自一项生物标志物专利的专利基因集、基于Cohen’s d效应量的排名靠前基因集以及全基因集。使用独立数据集进行了外部验证。

结果 复发基因集在机器学习模型中表现出强大且一致的预测性能。值得注意的是，与专利集和排名前列集重叠的几个基因位列主要贡献者之中，这支持了它们在未来的诊断应用中潜在的价值。结论 我们的研究证明了在RA中基于转录组指导的TNF-α抑制剂反应预测的可行性。荟萃分析与机器学习的整合为开发精准诊断工具提供了坚实的基础，以支持临床实践中的个性化治疗策略。

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。