机器学习辅助探索类器官阵列的多药给药方案

数据集获取

源站：https://search.dataone.org/view/sha256%3A456fd198dd55968ec68ee8c88699eb8c9f11b9a2d22fc54d1f65000b7f880229

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

联合疗法可增强癌症治疗的效果；然而，确定有效的多药给药方案中相互依赖的剂量、持续时间和顺序是一项耗时且费力的任务。在此，我们整合了机器学习、自动化以及在组织模拟水凝胶中形成的癌症球体或患者来源类器官的大型微流控阵列，从而大幅加速了有效多药给药方案的发现。对于临床已批准的药物组合，我们发现与同时给药相比，序贯给药方案可在相当药效下显著降低总药物剂量。对于目前处于临床开发阶段的药物，我们发现同时给药的药物具有协同效应，并表明序贯给药时这种协同效应会减弱。

所开发的策略有望发现有效的联合疗法……，# 机器学习辅助探索类器官阵列的多药给药方案 https://doi.org/10.5061/dryad.0vt4b8h8x ## 概述 本数据集支持利用机器学习（ML）引导策略优化类器官阵列的多药给药方案的研究。数据包括处理后的荧光成像结果，反映细胞对不同药物组合、给药顺序和时机策略的活力响应。本研究的主要目标是利用基于类器官的模型和贝叶斯优化（BO）识别能够提高治疗效果的最佳药物序列。 ## 数据和文件结构描述 数据采集自微阵列中球状体和类器官的荧光图像。 ## 数据采集与处理 采集在微流控阵列中培养的球状体和类器官的荧光图像，以量化活/死细胞。这些

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。