PRJNA1293883：机器学习识别长时间禁食后持续减重的微生物组与临床预测因子

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA1293883

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

本研究采用随机、等待名单对照设计，考察健康成年人长时间禁食的代谢与微生物组效应。38名参与者完成了为期5天的禁食干预，随后进行了12周的随访。在多个时间点进行临床、微生物组和代谢组学分析，以评估生理和微生物反应。禁食显著降低了静息能量消耗（REE）、体重指数（BMI）和脂肪量。尽管许多参数在12周后恢复至基线水平，但在部分参与者中观察到BMI持续降低。粪便样本的鸟枪法宏基因组测序显示，肠道微生物群组成和功能发生了显著但可逆的变化。微生物组α多样性的变化与个体基线多样性相关。

血浆和粪便的核磁共振（NMR）代谢组学揭示了能量和脂质代谢的短期改变，包括酮体水平升高和葡萄糖水平降低，这些改变在随访期间基本恢复到基线水平。为探究禁食反应的个体差异，我们开发了一个机器学习模型，基于基线微生物组和临床数据预测长期BMI下降。最终模型确定Faecalibacterium sp.、Oscillibacter sp. 57_20、LDL胆固醇和收缩压是减重反应的关键预测因子。该模型在代谢综合征和多发性硬化症患者的独立队列中得到验证，展现出准确的跨人群性能。该研究为肠道微生物群与宿主代谢对禁食的适应之间的相互作用提供了机制性见解。它强调，利用微生物组和临床参数的预测模型可能识别出最有可能从饮食干预中获益的个体。禁食诱导的微生物组和代谢组变化在很大程度上是可逆的，但选定的微生物分类群和代谢物，包括尿苷，

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。