神经元APOE4诱导的阿尔茨海默病早期海马网络超兴奋性
该数据集来自NCBI GEO,包含GSE279550系列矩阵文件,聚焦神经元APOE4在阿尔茨海默病发病早期诱导的海马网络超兴奋性

基本信息
资源简介
神经元APOE4诱导的阿尔茨海默病早期海马网络超兴奋性
Neuronal APOE4-induced Early Hippocampal Network Hyperexcitability in Alzheimer’s Disease Pathogenesis
该数据集来自NCBI GEO,包含GSE279550系列矩阵文件,聚焦神经元APOE4在阿尔茨海默病发病早期诱导的海马网络超兴奋性。研究利用年轻及年老APOE4敲入小鼠,结合单核RNA测序揭示神经元类型特异且年龄依赖的转录组变化,包括Nell2过表达。数据可用于分析海马区域特异性网络异常、兴奋/抑制失衡及相关基因表达改变,为阿尔茨海默病早期机制研究提供表达谱资源(来源 NCBI)。
【数据集背景】
源站首次发布:Oct 15 202。
【数据内容】
源站描述(机器翻译,仅供参考):载脂蛋白E4(APOE4)是阿尔茨海默病(AD)最强的遗传风险因素,但其对神经元和网络功能的完整影响仍不清楚。我们发现年轻的APOE4敲入(E4-KI)小鼠存在海马区域特异性的网络超兴奋性,并可预测老年期的认知缺陷。年轻E4-KI小鼠的网络超兴奋性由海马区域特异性的较小且超兴奋的神经元亚群介导,选择性去除神经元APOE4可消除这些神经元。老年E4-KI小鼠表现出超兴奋的颗粒细胞、进行性抑制缺陷以及齿状回中的兴奋/抑制失衡,加剧了海马超兴奋性。单核RNA测序揭示了神经元细胞类型特异性和年龄依赖的转录组变化,包括E4-KI小鼠中Nell2的过表达。在E4-K的特定神经元类型中降低Nell2表达
【数据结构与技术规格】
文件数 1 个,合计 0 B。
【主题与分类】
主题标签:GPL24247、10090。本站分类:神经系统疾病/阿尔茨海默病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE279550
【使用注意】
· 源站最后修改于 May 07 202,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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放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
源站:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE279550
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 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。
- OpenDataLab:
数据说明
载脂蛋白E4(APOE4)是阿尔茨海默病(AD)最强的遗传风险因素,但其对神经元和网络功能的全面影响仍不清楚。我们在年轻的APOE4敲入(E4-KI)小鼠中发现了海马区域特异性的网络过度兴奋,并可预测其老年期的认知缺陷。年轻E4-KI小鼠的网络过度兴奋由海马区域特异性的较小且过度兴奋的神经元亚群介导,选择性去除神经元APOE4可消除这些神经元。老年E4-KI小鼠表现出过度兴奋的颗粒细胞、进行性抑制缺陷以及齿状回E/I失衡,加剧了海马过度兴奋。单核RNA测序揭示了神经元细胞类型特异性和年龄依赖性的转录组变化,包括E4-KI小鼠中Nell2的过表达。利用CRISPRi降低E4-KI小鼠特定神经元类型中Nell2的表达,可挽救其异常兴奋性表型,提示Nell2过表达是APOE4诱导过度兴奋的一个原因。
这些发现凸显了APOE4诱导的海马网络功能障碍背后的早期转录组和电生理改变,以及其在衰老过程中对阿尔茨海默病发病机制的贡献。
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




