亚洲孕前出生队列中早期皮肤分子特征可预测特应性皮炎风险
该数据集来自新加坡 S-PRESTO 前瞻性出生队列，纳入 119 名婴儿（60 例特应性皮炎、59 例对照），在第 1 周及第 3、6、18 个月采集皮肤胶带条，进行鸟枪法宏基因组测序，并靶向定量抗菌肽和天然保湿因子
基本信息
资源简介
亚洲孕前出生队列中早期皮肤分子特征可预测特应性皮炎风险
该数据集聚焦于生命早期皮肤分子特征与特应性皮炎（AD）发病风险之间的关联，来源于新加坡 S-PRESTO 前瞻性出生队列。研究纳入 119 名婴儿，其中 60 例为特应性皮炎病例、59 例为对照，通过纵向追踪皮肤微生物组、代谢组与蛋白质组的变化，寻找能够在 18 月龄前预测 AD 发生的分子标志物。数据集整合了鸟枪法宏基因组测序数据，以及抗菌肽（AMPs）和天然保湿因子（NMFs）的靶向定量结果，覆盖第 1 周及第 3、6、18 个月多个时间点，属于皮肤疾病领域的组学数据资源，主题标签为代谢组学。
【数据集背景】
特应性皮炎的早期识别对于及时开展预防干预具有关键意义，但可靠的临床前生物标志物仍然难以获得。该研究正是针对这一需求，对婴儿皮肤微生物组、代谢组和蛋白质组的纵向演变进行刻画，以期发现能够在 18 个月龄前预测 AD 发病的分子特征。研究依托新加坡孕前长期母婴与儿童结局研究（S-PRESTO）这一前瞻性出生队列开展，该队列为在亚洲人群中观察生命早期皮肤分子变化提供了系统的样本与随访基础。
【数据内容】
数据集包含 119 名婴儿的皮肤胶带条样本所产生的多组学数据。样本采集时间点包括第 1 周以及第 3、6、18 个月。检测内容包括鸟枪法宏基因组测序，用于刻画皮肤微生物组的组成与变化；同时对抗菌肽（AMPs）和天然保湿因子（NMFs）进行靶向定量，以反映皮肤屏障与免疫相关分子特征。研究对象按结局分为 60 例特应性皮炎病例与 59 例对照，便于开展病例对照式的分子特征比较与预测分析。
【采集与来源】
数据来源于 omicsdi.org，原始研究为新加坡 S-PRESTO 前瞻性出生队列。样本类型为皮肤胶带条，属于无创或微创采样方式，适合在婴儿群体中开展多时间点纵向采集。研究设计为前瞻性出生队列随访，从出生早期持续追踪至 18 个月，以观察 AD 发病情况并与早期分子特征相对应。
【适用场景】
该数据集适用于生命早期皮肤微生物组、代谢组与蛋白质组的纵向分析，可用于探索与特应性皮炎发病相关的候选分子标志物，支持病例与对照之间的差异比较、时间序列变化模式分析以及早期预测模型构建等研究方向。对于关注亚洲人群婴幼儿皮肤健康与过敏性疾病早期预警的研究者具有参考价值。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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://omicsdi.org/dataset/metabolights_dataset/MTBLS14496
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
理由：早期识别有特应性皮炎（AD）风险的婴儿对于及时预防至关重要，然而可靠的临床前生物标志物仍难以获得。我们对皮肤微生物组、代谢组和蛋白质组的纵向演变进行了表征，以识别可预测18个月前AD发病的分子特征。方法：我们分析了来自前瞻性新加坡孕前长期母婴结局研究（S-PRESTO）队列的119名婴儿（60例AD，59例对照）。在第1周以及第3、6和18个月采集的皮肤胶带条进行了鸟枪法宏基因组测序，并对抗菌肽（AMPs）和天然保湿因子（NMFs）进行了靶向定量。
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。
