应用文本挖掘构建基于AOP的黏液高分泌基因集并用体外与临床样本验证
该数据集来自 omicsdi.org，属于呼吸系统疾病及其他类别，主题为转录组学。其目的是通过文本挖掘方法构建黏液高分泌与黏液纤毛功能障碍的 adverse outcome pathways（AOPs）基因集，并利用公共数据库数据及内部生成的体外模型 RNA-seq 数据进行验证
基本信息
资源简介
应用文本挖掘构建基于AOP的黏液高分泌基因集并用体外与临床样本验证
该数据集来自 omicsdi.org，属于呼吸系统疾病及其他类别，主题为转录组学。其目的是通过文本挖掘方法构建黏液高分泌与黏液纤毛功能障碍的 adverse outcome pathways（AOPs）基因集，并利用公共数据库数据及内部生成的体外模型 RNA-seq 数据进行验证。验证样本包括香烟与电子烟气溶胶处理的细胞、IL-13 处理的气道细胞以及 COPD 肺活检组织。无监督聚类结果显示，这些基因集能够区分香烟处理细胞与电子烟及空气对照，而电子烟与空气对照聚在一起。数据可用于呼吸系统疾病相关基因集构建与分类研究（来源 omicsdi.org）。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：使用文本挖掘构建基因集，并用公共数据库数据及内部使用体外模型和 RNA-seq 生成的数据集验证该基因集。方法：黏液高分泌和黏液纤毛功能障碍不良结局路径（AOPs）基因集使用 Rani 等人 2015 年描述的文本挖掘方法构建。验证使用来自香烟和电子烟气溶胶处理的细胞、IL-13 处理的气道细胞以及 COPD 肺活检组织的 RNA 表达数据进行。来自气道细胞的香烟和电子烟气溶胶 RNA 样本为内部生成并测序。其他数据集为公开可用。结果：使用无监督聚类，黏液高分泌和黏液纤毛功能障碍基因集能够将香烟处理的细胞与电子烟及空气对照区分开。电子烟和空气对照聚在一起。
【主题与分类】
主题标签：Transcriptomics。本站分类：呼吸系统疾病/其他。
【获取与许可】
源站页面：https://omicsdi.org/dataset/geo/GSE142100
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://omicsdi.org/dataset/geo/GSE142100
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
目的：利用文本挖掘构建基因集，并使用来自公共数据库的数据以及本实验室利用体外模型和RNA-seq生成的数据集对该基因集进行验证。方法：采用Rani等人（2015）所述的文本挖掘方法构建黏液高分泌和黏液纤毛功能障碍不良结局路径（AOPs）基因集。使用来自香烟和电子烟气溶胶处理细胞、IL-13处理气道细胞以及COPD肺活检的RNA表达数据进行验证。来自气道细胞的香烟和电子烟气溶胶RNA样本为本实验室生成并测序。其他数据集为公开可用数据。结果：使用无监督聚类，黏液高分泌和黏液纤毛功能障碍基因集能够将香烟处理细胞与电子烟及空气对照区分开来。电子烟和空气对照聚为一类。在IL-13处理细胞中也观察到聚类。IL-13是黏液高分泌的诱导因子。当使用COPD RNA-seq样本时，未观察到聚类。PCA分析显示基于疾病状态存在一定程度的分组，但这也受到其他参数的严重混杂影响。
结论：我们的研究首次应用文本挖掘技术构建了与AOPs相关的基因集。体外验证证实，这些基因集能够区分诱导黏液高分泌表型的处理，然而这一结果在COPD活检样本中未能得到证实。这可能归因于一系列技术混杂因素及COPD疾病的异质性。
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。
