抗病毒AGO2依赖性短发夹RNA设计数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE261262

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

RNA病毒疫情的不断出现和再出现，凸显了研发有效抗病毒药物的迫切需求。RNA干扰（RNAi）是一种序列特异性的基因沉默机制，由小干扰RNA（siRNA）或短发夹RNA（shRNA）触发，在抗病毒治疗方面展现出巨大潜力。依赖于AGO2的shRNA（agshRNA）能生成单链引导RNA效应分子，相较于传统的siRNA和shRNA具有显著优势。本研究将逻辑回归算法应用于先前发表的化学修饰siRNA效能数据集，构建了一种具有高预测能力的机器学习算法。利用该算法，我们设计了针对多种RNA病毒的siRNA序列，包括人肠道病毒A71型（EV71）、寨卡病毒（ZIKV）、登革病毒2型（DENV2）、小鼠肝炎病毒（MHV）和严重急性呼吸综合征冠状病毒2型（SARS-CoV-2），并依据agshRNA设计规则将其开发为agshRNA。

这些agshRNA抑制了感染细胞中的病毒复制，其抗病毒效果效率与算法预测的siRNA序列评分排名呈现一致趋势。以靶向EV71的agshRNA为例，我们展示了agshRNA的抗EV71效果相比相应的siRNA和shRNA更为强效。此外，agshRNA的抗病毒效果依赖于AGO2加工产生的引导RNA，该引导RNA能够装载进入RISC。我们还证实了agshRNA在体内的抗病毒效果。总之，这项工作开发了一种新方法，将基于机器学习的算法与agshRNA设计相结合，以定制设计高效的抗病毒agshRNA。

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。