基于基因表达网络聚类识别复杂疾病亚型：应用于COPD

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA308432

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

慢性阻塞性肺疾病（COPD）是最常见的吸烟相关疾病之一，由对香烟烟雾的失调性、多组织炎症反应所致。我们假设，全基因组血液基因表达中的全身性炎症信号能够识别临床上重要的COPD相关疾病亚型，并利用已有的基因相互作用网络来指导血液微阵列表达数据的无监督聚类。采用网络信息引导的非负矩阵分解方法，我们分析了ECLIPSE研究中229名既往吸烟者的全基因组血液基因表达，识别出具有临床相关性的新型COPD分子亚型。这些网络信息引导的聚类比基于网络无知方法得出的聚类更稳定，与肺结构和功能指标的相关性更强，并且与炎症和蛋白质分解代谢通路的亚型特异性富集相关。这些聚类在COPDGene研究中135名吸烟者的独立样本中得到了成功重现。

简言之，基因表达数据来源于ECLIPSE受试者的全血样本以及COPDGene受试者的外周血单核细胞（PBMCs）。基因表达谱分析采用Affymetrix Human U133 Plus2芯片完成。基因表达数据经对数转换，并针对合并后的ECLIPSE与COPDGene样本，使用affy Bioconductor软件包[27]中实现的稳健多芯片平均法（robust multi-array averaging）和分位数归一化（quantile normalization）进行背景校正与归一化处理。在此前发表文献[13]所报告的136名COPDGene受试者中，一名自报为非裔美国人的受试者被剔除出分析，分析在其余135名非西班牙裔白人受试者中进行。为识别与COPD相关的基因集，我们对ECLIPSE中通过质量控制措施的38,519个探针组进行了差异表达分析。归一化后的探针组强度值与……相关（原文此处中断）

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。