数据来源：一种用于预测体外肾毒性及其机制的系统毒理学方法

数据集获取

源站：https://doi.org/10.5061/dryad.646v2r1

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。

数据集大小约 240.0 MB。

数据说明

在开发过程中，新化学实体在进入人体前早期预测其肾脏毒性仍是一个关键问题。在此，我们使用原代人肾细胞，并应用了一种系统生物学方法，该方法结合了多维数据集和机器学习，以识别不仅能预测肾毒性化合物，还能提供其毒性机制线索的生物标志物。我们使用随机森林机器学习分析了来自46种不同肾毒性物质的基因表达和高内涵成像表型数据。捕捉细胞形态和细胞核纹理变化的成像特征以及HMOX1和SQSTM1的mRNA水平被确定为最有力的毒性预测因子。这些生物标志物通过其准确预测6种候选治疗药物中4种肾脏毒性的能力得到了验证，这些药物仅在晚期临床前/临床研究中表现出毒性。基于七个时间点的活细胞高内涵图像分析，对毒性表型相似性进行了网络分析。使用已知机制的化合物作为参考，我们能够推断候选治疗药物的潜在毒性机制。

总之，我们报告了一种方法，用于生成多维生物标志物组合，以在体外对新治疗候选药物和化学实体进行机制性风险降低和肾毒性预测。

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。