基于AI数字病理与空间蛋白质组学的精准肿瘤学：年轻患者复发性黑色素瘤病例报告

数据集获取

源站：https://omicsdi.org/dataset/pride/PXD073928

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

背景：转移性黑色素瘤由于肿瘤异质性和耐药机制，在标准治疗失败时尤其面临临床挑战。人工智能（AI）和空间蛋白质组学的最新进展为精准肿瘤学开辟了新途径。基于这些原理，我们报告了一种新型整合工作流程的开发与临床应用，该流程将基于AI的数字病理学与空间蛋白质组学分析相结合，以支持个性化治疗策略。方法：使用高分辨率H&E图像创建并验证了一个AI模型，该模型能够揭示细微的形态学模式，并识别黑色素瘤细胞和间质成分的不同亚群。随后采用激光显微切割分离临床相关区域，并应用基于质谱的蛋白质组学绘制不同区域的空间蛋白质组特征图谱。该工作流程应用于一例具有挑战性的临床病例，涉及一名患有复发性黑色素瘤并表现为多发转移的年轻患者。除原发肿瘤外，还分析了肺转移和脑转移。

结果：我们的AI方法揭示了原发灶内空间上分离的两个不同细胞亚群（PT1和PT2）。空间蛋白质组学进一步揭示了原发肿瘤与转移灶之间的肿瘤间异质性，其中激酶升高与靶向药物耐药相关。此外，糖酵解信号和线粒体代谢的上调被确定为该患者黑色素瘤进展的关键驱动因素。值得注意的是，AI模型还指出PT1可能是转移的驱动因素，这是基于其与脑部和肺部病灶中发现的细胞具有强烈的形态学相似性。空间蛋白质组学数据进一步支持了这一点，显示PT1与转移部位之间具有密切的分子匹配。结论：这些发现表明，靶向治疗单独使用可能获益有限，而与代谢抑制剂联合使用

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。