利用Raman光谱与机器学习定量单个活癌细胞中的药物浓度

数据集获取

源站：https://datashare.ed.ac.uk/handle/10283/9306

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

用于《Analyst》期刊已接收论文（AN-ART-07-2026-000870）的数据；“利用拉曼光谱和机器学习定量单个活癌细胞中的药物浓度”；Jiaming Li、Jan Cerski 和 Andrew Downes。在抗癌药物研发中，显然需要确定有多少药物进入细胞及其在不同细胞区室（例如细胞核或细胞质）中的浓度。这些信息有助于评估治疗疗效并优化药物设计和体内剂量。在此，我们将灌流与自发拉曼光谱及多元曲线分辨相结合，在单个细胞的细胞核和细胞质采样位置监测未标记的抗癌药物。研究了吉西他滨盐酸盐-A549、5-氟尿嘧啶（5-FU）-HT29、卡铂-HeLa 组合以及一个 5-FU 耐药的 HT29 模型。光谱使用 300 s 积分窗口依次采集。测得的谱图显示药物相关信号积累存在区室依赖性差异，包括野生型和耐药 HT29 细胞中不同的核质分布模式。

这些观察结果支持对细胞内药物动力学进行进一步研究，但其定量解释依赖于校准、细胞外信号校正、时间平均和细胞活力。这些测量并未独立确定膜通透性或耐药机制。

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。