慢性阻塞性肺疾病人肺组织空间转录组图谱(Xenium)

该数据集来自 omicsdi.org,为慢性阻塞性肺疾病(COPD)人肺组织的 Xenium 空间转录组数据。研究对覆盖 COPD 疾病谱的 38 名参与者的 FFPE 肺组织进行 profiling,使用四张组织微阵列(TMA1–TMA4)和定制的 480 基因 Xenium panel

omicsdi
浏览 9
基因组分类Other
Spatial transcriptomic profiling of human lung tissue in chronic obstructive pulmonary disease (COPD) [Xenium]

基本信息

模态
基因组
任务类型
分类
创建/更新时间
2026-10-12

资源简介

慢性阻塞性肺疾病人肺组织空间转录组图谱(Xenium)

该数据集来自 omicsdi.org,为慢性阻塞性肺疾病(COPD)人肺组织的 Xenium 空间转录组数据。研究对覆盖 COPD 疾病谱的 38 名参与者的 FFPE 肺组织进行 profiling,使用四张组织微阵列(TMA1–TMA4)和定制的 480 基因 Xenium panel。数据可捕捉炎症、再生与重塑细胞状态的原位组织方式,揭示与 COPD 病理相关的空间局部微环境和细胞间通讯模式,为刻画 COPD 肺组织微环境结构与细胞间相互作用提供高分辨率空间背景(来源 omicsdi.org)。

【数据内容】

源站描述(机器翻译,仅供参考):为了在空间上对疾病相关细胞状态进行情境化并加以扩展,我们从覆盖 COPD 疾病谱的 38 名参与者的 FFPE 肺组织中生成了 Xenium 空间转录组数据。使用定制的 480 基因 Xenium panel 对四张组织微阵列(TMA1–TMA4)进行了 profiling。这些数据捕捉了炎症、再生和重塑细胞状态的原位组织方式,并揭示了与 COPD 病理相关的空间局部微环境和细胞间通讯模式。该数据集为刻画 COPD 肺组织中的微环境结构和细胞间相互作用提供了高分辨率空间背景。

【主题与分类】

主题标签:Other。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/GSE313006

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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。

免费样本无法满足模型训练要求?千方提供经三甲医院脱敏、带病理回证与专家标注的商业级专病数据集。

使用方式

数据集获取

源站:https://omicsdi.org/dataset/geo/GSE313006

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

为了在空间上对疾病相关细胞状态进行背景化并加以扩展,我们对来自38名参与者的FFPE肺组织生成了Xenium空间转录组学数据,涵盖了COPD疾病谱。使用定制的480基因Xenium panel对四个组织微阵列(TMA1–TMA4)进行了分析。这些数据捕获了炎症、再生和重塑细胞状态的原位组织方式,并揭示了与COPD病理相关的空间局部微环境和细胞间通讯模式。该数据集为表征COPD肺组织中的微环境结构和细胞间相互作用提供了高分辨率的空间背景。

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。