生命第一年肠道菌群成熟延迟是儿童过敏性疾病标志
该数据集来自 omicsdi.org,围绕生命第一年肠道菌群成熟与儿童过敏性疾病的关系。源站描述显示,研究基于 CHILD 出生队列(n=1115)深度表型参与者,发现早期生活影响因素与微生物组特征在 5 岁时四种过敏诊断中一致相关:特应性皮炎(AD,n=367)、哮喘(As,n=165)、食物过敏

基本信息
资源简介
生命第一年肠道菌群成熟延迟是儿童过敏性疾病标志
该数据集来自 omicsdi.org,围绕生命第一年肠道菌群成熟与儿童过敏性疾病的关系。源站描述显示,研究基于 CHILD 出生队列(n=1115)深度表型参与者,发现早期生活影响因素与微生物组特征在 5 岁时四种过敏诊断中一致相关:特应性皮炎(AD,n=367)、哮喘(As,n=165)、食物过敏(FA,n=136)和过敏性鼻炎(AR,n=187);在具有鸟枪法宏基因组与代谢组分析的子集(n=589)中,发现 1 岁时菌群成熟受损可能相关。数据可用于儿童过敏与哮喘相关的微生物组及代谢组研究(来源 omicsdi.org)。
【数据内容】
源站描述(机器翻译,仅供参考):过敏性疾病影响全球数百万人。其患病率上升与肠道微生物组的改变有关,即胃肠道内的微生物及其基因。婴儿免疫系统与肠道菌群的成熟同步发生;因此,微生物组的构成可能决定婴儿体内是否形成耐受性免疫编程。在此,我们利用 CHILD 出生队列(n = 1115)中深度表型分析的参与者表明,存在与 5 岁时四种不同过敏诊断一致相关的早期生活影响因素和微生物组特征:特应性皮炎(AD,n = 367)、哮喘(As,n = 165)、食物过敏(FA,n = 136)和过敏性鼻炎(AR,n = 187)。在具有鸟枪法宏基因组和代谢组分析的子集(n = 589)中,我们发现 1 岁时菌群成熟受损可能
【主题与分类】
主题标签:Metabolomics。本站分类:呼吸系统疾病/哮喘。
【获取与许可】
源站页面:https://omicsdi.org/dataset/metabolights_dataset/MTBLS7919
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://omicsdi.org/dataset/metabolights_dataset/MTBLS7919
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
过敏性疾病影响着全球数百万人。其患病率的上升与肠道微生物组的改变有关,即胃肠道内的微生物及其基因的变化。婴儿免疫系统的成熟与肠道微生物群同步发生;因此,微生物组的构成可能决定婴儿体内是否形成耐受性免疫编程。在此,我们利用CHILD出生队列(n = 1115)中深度表型分析的参与者,展示了生命早期的影响因素和微生物组特征与5岁时四种不同过敏诊断一致相关:特应性皮炎(AD,n = 367)、哮喘(As,n = 165)、食物过敏(FA,n = 136)和过敏性鼻炎(AR,n = 187)。在具有鸟枪法宏基因组和代谢组学分析数据的子集(n = 589)中,我们发现1岁时微生物群成熟受损可能是儿童过敏的普遍现象(AD p = 0.000014;As p = 0.0073;FA p = 0.00083;AR p = 0.0021)。
进一步研究发现,一组以黏液完整性受损、氧化活性升高、次级发酵减少和微量胺升高为特征的功能与代谢失衡核心集合,是1岁时微生物群成熟与5岁时过敏诊断之间的重要中介因素(β间接 = -2.28;p = 0.0020)。因此,微生物群成熟为识别偏离正常发育轨迹、预测和预防过敏性疾病提供了一个关键切入点。
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。




