人坏死性小肠结肠炎跨壁单核转录组提名候选疾病程序
该数据集基于单核RNA测序(snRNA-seq)分析胎儿/产前对照、急性NEC病例和婴儿对照的全层肠道标本,共分析53,735个细胞核,构建跨壁、细胞类型分辨的图谱

基本信息
资源简介
人坏死性小肠结肠炎跨壁单核转录组提名候选疾病程序
Transmural Single-Nucleus Transcriptomics Nominates Candidate Disease Programs in Human Necrotizing Enterocolitis
该数据集基于单核RNA测序(snRNA-seq)分析胎儿/产前对照、急性NEC病例和婴儿对照的全层肠道标本,共分析53,735个细胞核,构建跨壁、细胞类型分辨的图谱。数据覆盖细胞注释、NEC与婴儿对照差异表达、基因本体(GO)、跨谱系复发、细胞死亡特征及发育成熟度分析,可用于提名独立于发育成熟的假设生成性NEC疾病程序,支持早产儿坏死性小肠结肠炎发病机制研究(来源 NCBI)。
【数据集背景】
源站首次发布:Oct 19 202。
【数据内容】
源站描述(机器翻译,仅供参考):坏死性小肠结肠炎(NEC)是一种危及早产儿的疾病,以炎症、缺血、黏膜损伤以及晚期延伸至肠壁深层的坏死为特征。由于NEC影响发育中肠道内特化的相互作用细胞,我们使用单核转录组学构建跨壁、细胞类型分辨的图谱,并提名独立于成熟的假设生成性疾程序。通过单核RNA测序(snRNA-seq)分析来自胎儿/产前对照、急性NEC病例和婴儿对照的全层肠道标本。胎儿和婴儿样本作为发育参考。分析包括细胞注释、NEC与婴儿对照差异表达、基因本体(GO)、跨谱系复发、细胞死亡特征和发育成熟度。我们通过snRNA-seq分析了53,735个细胞核
【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:GPL34281、9606。本站分类:神经系统疾病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE351352
【使用注意】
· 源站最后修改于 Oct 26 202,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=GSE351352
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
坏死性小肠结肠炎(NEC)是一种危及早产儿生命的疾病,以炎症、缺血、黏膜损伤为特征,晚期病例可出现延伸至肠壁深层的坏死。由于NEC累及发育中肠道内特化的相互作用细胞,我们采用单核转录组学构建了跨壁、细胞类型分辨的图谱,并提出了有别于成熟过程的、可产生假设的疾病程序。通过单核RNA测序(snRNA-seq)分析了来自胎儿/产前对照、急性NEC病例和婴儿对照的全层肠道标本。胎儿和婴儿样本作为发育参考。分析包括细胞注释、NEC与婴儿的差异表达、基因本体(GO)、跨谱系重现性、细胞死亡特征和发育成熟度。我们通过snRNA-seq对53,735个细胞核进行了分析,并解析出34个上皮、基质、血管、免疫、神经元、胶质和平滑肌细胞群体。我们采用基于形态学的细胞核评分系统进行样本选择,该系统可预测高质量的转录本回收。
NEC细胞核在这一细胞图谱中均有呈现,反复出现的基因表达变化提示存在共同的炎症募集、抗菌/氧化还原防御、应激适应、补体/血管激活、稳态信号减弱以及细胞死亡相关调控。发育成熟度分析发现,NEC调控基因的亚群中呈现胎儿样表达水平。增殖性隐窝细胞群保留了DNA修复/细胞周期程序,并伴有炎症、缺氧和内质网应激特征,而吸收性肠上皮细胞则表现出消化、转运、解毒和终末绒毛功能程序的降低。分泌谱系的变化涉及杯状细胞黏液屏障反应,伴糖基化、转运和水合作用降低;肠内分泌细胞在上皮防御、代谢应激和神经信号传导方面的变化;以及潘氏细胞的保留。
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。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




