Набор данных из Zenodo · fırat, yelda
Predicting Long COVID Persistence Using Mitochondrial Gene Expression Profiles: An XGBoost-Based Machine Learning Approach with External Validation
- Лицензия
- CC BY 4.0можно в коммерцииТекст лицензии
- Лицензия разрешает коммерческое использование. Обычно нужно указать автора — точные условия в тексте лицензии.
- Форматы
- GZ, ZIP, MD
- Размер
- 54 МБ
- Обновлён
- 16 июл. 2026 г.
Описание
This repository contains the complete analysis pipeline, preprocessed datasets, and trained machine learning models supporting the manuscript: "Predicting Long COVID Persistence Using Mitochondrial Gene Expression Profiles: An XGBoost-Based Machine Learning Approach with External Validation" Study Overview: We developed an XGBoost-based machine learning classifier using 149 mitochondrial gene expression profiles (MitoCarta3.0) from peripheral blood transcriptomes of 343 individuals across 6 independent GEO cohorts (GSE267625, GSE169687, GSE152418, GSE222253, GSE265753, GSE235938). The model distinguishes Long COVID persistence from recovery with high accuracy (nested CV AUC = 0.999 ± 0.001; external validation AUC = 0.984, 95% CI: 0.959–1.000). Repository Contents: longcovid ML FULL RESULTS.zip — Complete analysis package including Python scripts, trained XGBoost model, cross-validation results, feature importance rankings, and publication-quality figures (TIFF, 300 DPI). X full transcriptome log2cpm.csv.gz — Full transcriptome expression matrix (18,335 genes × 343 samples, log2-CPM normalized, ComBat batch-corrected). X mito genes log2cpm.csv.gz…
Описание из Zenodo, сокращённое.
Файлы (4)
- GZX_full_transcriptome_log2cpm.csv.gz45 МБ
- GZX_mito_genes_log2cpm.csv.gz448 кБ
- ZIPlongcovid_ML_FULL_RESULTS.zip8,7 МБ
- MDREADME.md6,8 кБ
DataHunter не хранит и не раздаёт эти файлы: каждая ссылка ведёт к первоисточнику. Перед использованием проверьте там лицензию.