纤维化过敏性肺炎血液分子内分型数据集
该数据集来自 NCBI GEO(GSE318816),聚焦纤维化过敏性肺炎(fHP)的血液分子内分型研究。研究者利用多种分析算法,在全血转录组中识别出两种免疫特征迥异的分子内分型,并在全血、外周血单个核细胞、支气管肺泡灌洗液、外科肺活检组织转录组及血浆蛋白质组中加以验证

基本信息
资源简介
纤维化过敏性肺炎血液分子内分型数据集
Blood-based Molecular Endotyping of Fibrotic Hypersensitivity Pneumonitis Identifies Two Immune Subtypes with Divergent Clinical Outcomes
该数据集来自 NCBI GEO(GSE318816),聚焦纤维化过敏性肺炎(fHP)的血液分子内分型研究。研究者利用多种分析算法,在全血转录组中识别出两种免疫特征迥异的分子内分型,并在全血、外周血单个核细胞、支气管肺泡灌洗液、外科肺活检组织转录组及血浆蛋白质组中加以验证。淋巴型(L-fHP)约占三分之二,表现为适应性免疫通路富集和淋巴细胞优势;非淋巴型(N-fHP)则表现为固有免疫通路富集及中性粒细胞和巨噬细胞优势。数据可用于免疫亚型分类、临床结局关联分析及生物标志物探索(来源 NCBI)。
【数据集背景】
源站首次发布:Feb 09 202。
【数据内容】
源站描述(机器翻译,仅供参考):纤维化过敏性肺炎(fHP)是一种抗原驱动的致命性间质性肺病,治疗选择有限。我们使用多种分析算法,在 fHP 队列的全血转录组中识别出两种具有不同免疫特征的分子内分型,并在全血、外周血单个核细胞、支气管肺泡灌洗液、外科肺活检组织的转录组以及血浆蛋白质组中进行了验证。淋巴型内分型(L-fHP)占 fHP 病例的三分之二,显示适应性免疫通路富集和淋巴细胞优势;而非淋巴型内分型(N-fHP)则表现出固有免疫通路富集,以中性粒细胞和巨噬细胞为主。与 L-fHP 病例相比,N-fHP 病例基线肺功能较低,无移植生存率降低,然而皮质类固醇治疗与
【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:GPL24676、9606。本站分类:呼吸系统疾病。
【获取与许可】
源站页面:https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE318816
【使用注意】
· 源站最后修改于 Jun 12 202,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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE318816
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
纤维化性过敏性肺炎(fHP)是一种由抗原驱动的致命性间质性肺病,治疗选择有限。我们运用多种分析算法,在fHP队列全血转录组中识别出两种具有不同免疫特征的分子内型,并在全血、外周血单个核细胞、支气管肺泡灌洗液、外科肺活检组织转录组以及血浆蛋白质组中进行了验证。淋巴细胞型内型(L-fHP)占fHP病例的三分之二,显示适应性免疫通路富集和淋巴细胞优势;而非淋巴细胞型内型(N-fHP)则表现为固有免疫通路富集,以中性粒细胞和巨噬细胞为主。与L-fHP病例相比,N-fHP病例基线肺功能较低,无移植生存期缩短,然而皮质类固醇治疗与L-fHP较差的無移植生存期相关,对N-fHP则无影响。这些结果表明,基于血液的分子内型分析能够揭示预后和治疗方面的洞见,并推动传统临床表型分析无法实现的精准医学。
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。




