信息速览
BIDMC 活检证实 MASLD 血清代谢组队列（BIDMC Metabolomic Cohort of Adults with Biopsy-Proven MASLD）是一个托管在 PhysioNet 上的靶向代谢组数据集，版本 1.0.0 于 2026 年 8 月 9 日发布。它由贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center，BIDMC）检测与整理，样本取自澳大利亚西悉尼一家公立医疗区肝病门诊的成人队列，共 110 例活检证实的代谢功能障碍相关脂肪性肝病（metabolic dysfunction-associated steatotic liver disease，MASLD）。全部内容就是一张 UTF-8 编码的 CSV 表：110 行受试者、一千六百余个代谢组特征列，空腹血清经超高效液相色谱-串联质谱测定。
它补的是肝病研究里一段缺失的链条。MASLD 的诊断金标准是肝穿刺活检，这项检查有创、取样存在变异、难以反复进行，学界因此一直在寻找血液替代指标；而公开可用、带活检确认的血清代谢组资源却很少，多数资源要么缺病理确认，要么只给汇总统计量而不给逐样本矩阵。这份数据的价值在于把「活检证实」与「逐样本高维代谢物丰度」同时放进一个可申请复用的文件里，让外部团队能在病理确认的前提下做假设生成与外部验证。
第一件事是确认走得通访问流程：它属受限数据，须先取得平台资质、签署数据使用协议，研究计划还要经贡献者逐项审阅，无法匿名即下。拿到数据后应先核对三件事——表里没有纤维化分期与 MASH 标签、数值没有单位、样本数远小于特征数。把这三条摆在设计之前，比事后在局限段补写省事。
§1 它是什么：定义、来源与身份边界
1.1 一句话定义与三个组成要素
这份数据可以用一句话定义：它是一张「逐样本 × 逐代谢物丰度」的二维表，样本来自经组织学确认的 MASLD 成人，代谢物来自靶向质谱平台。定义里的三个要素分别决定了数据能做什么、不能做什么。
「逐样本」意味着表里有 110 行，每行对应一位受试者的一次空腹采血，而不是群体层面的均值、中位数或效应量。这一点把它与大量只发布汇总表格的代谢组研究区分开来：使用者拿到的是建模所需的原始输入维度，可以自行决定归一化、缺失处理、特征筛选与交叉验证方案，而不必接受作者预设的分析路径。
「靶向」意味着检测并非无差别扫描全部可电离小分子，而是针对一组事先定义的化合物做定量或半定量测定。靶向平台的强项是覆盖深度与批次稳定性，弱项是覆盖面受面板设计约束——面板里没有的代谢物无论生物学上多重要都不会出现。这一取舍在解读阴性结果时必须记住：某个通路「没信号」，可能只是该通路的代谢物不在面板里。
「活检证实」意味着入组依据是组织学而非影像或血清学替代指标。这是本数据集区别于多数脂肪肝代谢组研究的核心特征——影像诊断的脂肪肝与组织学确认的脂肪性肝炎在代谢谱上并不等价，混为一谈会让生物标志物研究的目标定义失焦。
1.2 名称里的三个地名分别指什么
数据集名称把机构名放在最前面，容易造成一种误解：以为这是一批美国患者。实际上名称、样本来源地与处理地分属三处，需要拆开看。
BIDMC 指贝斯以色列女执事医疗中心，哈佛医学院附属的三级学术医疗中心，位于波士顿。它在数据集里的角色是代谢组检测与数据处理的执行方——发布页原文写明代谢组分析与数据处理在该中心完成。这也是数据集冠名的由来。
Sydney West Local Health District 指澳大利亚新南威尔士州西悉尼地方卫生区。这是样本的实际来源地：受试者因肝功能检查异常，在该卫生区的一家胃肠-肝病门诊就诊并接受肝活检。同一课题组发表的多中心研究对该位点有更细的描述——诊所设于悉尼大学 Westmead 医院胃肠-肝病科，采用病历资料回顾方式纳入患者。
Harvard Medical School 出现在作者隶属关系中，是通讯作者的学术单位，不承担数据托管职能。托管方是 PhysioNet，由麻省理工学院计算生理学实验室（Laboratory for Computational Physiology，LCP）维护。
三地分离带来的实际后果是：引用地理信息时必须区分「队列人群所在地」与「数据机构所在地」。写成「美国 BIDMC 的 110 例患者」是把处理地误当采集地；写成「澳大利亚队列」而不提 BIDMC，则与数据集官方名称脱节，检索时会对不上号。
1.3 与库内其他 BIDMC 条目的关系
同一机构冠名的数据集在公开资源里不止一份，容易在检索时混淆。BIDMC 在 PhysioNet 上另有一份知名度更高的资源：多参数智能监护数据库（Multiparameter Intelligent Monitoring in Intensive Care，MIMIC）系列，以及同机构出品的 PPG 波形数据集。它们与本集的关系只在机构层面，数据内容毫无交集。
具体到本库，已收录的 BIDMC 冠名条目是 bidmc-ppg，内容是重症监护场景下的光电容积脉搏波与呼吸信号，用于呼吸率估算；其数据形态是多通道时间序列，任务是信号处理与回归。与本集的二维静态表格、组学测量、肝病主题完全不同，不构成同实体，也不存在版本或子集关系。另需说明的是，本库并无 BIDMC 出品的心音数据集条目，检索时若把「BIDMC + 心音」当成既有条目去找，会一无所获。
判断两个数据集是否同一实体，可循三条线索：一是 DOI 或 RRID 是否相同，二是数据文件是否同源，三是发布方是否声明版本继承。本集与 bidmc-ppg 在三项上均无交集，仅有机构名重合，属于典型的「同名机构、异质数据」。
1.4 数据集在 MASLD 研究谱系中的坐标
要理解这份数据的定位，需要先理解 MASLD 这一命名本身的变化。2023 年，多学会德尔菲共识把沿用多年的「非酒精性脂肪性肝病」（nonalcoholic fatty liver disease，NAFLD）更名为 MASLD，并把进展型「非酒精性脂肪性肝炎」（NASH）更名为代谢功能障碍相关脂肪性肝炎（metabolic dysfunction-associated steatohepatitis，MASH）。更名的实质是把诊断锚点从「排除饮酒」转向「确认存在心血管代谢危险因素」，阳性标准取代了排除标准。
这一变化对数据集解读有直接影响。第一，凡在 2023 年之前采集与命名的队列，其入组标准遵循的是旧共识，转写为 MASLD 时依赖事后按新标准回溯判定，本集页面未披露这一转换的具体做法。第二，MASH 与「at-risk MASH」在文献中有多套操作定义，常见的一种是活动度评分达到阈值且纤维化达到某一期，而本集不含这些字段，因此无法在数据内部复现任何一套定义。第三，命名更替造成文献检索的割裂：同一批患者在不同年份的论文里可能被称为 NAFLD、MAFLD 或 MASLD，做系统检索时须把三个词都纳入。
在此谱系中，本集属于「单中心、小样本、深表型、靶向代谢组」一类，与「大人群、浅表型、NMR 或非靶向平台」的队列型资源形成互补。前者适合机制探索与外部验证，后者适合流行病学关联与遗传工具变量分析。两者不能互相替代，也不宜直接合并建模而不做批次校正。
1.5 时间线与版本状态
发布页只有一条版本记录：1.0.0，2026 年 8 月 9 日，变更说明为初次发布、含完全去标识化的多组学特征。没有更早的预发布版本，也没有后续修订。
版本单一带来两点使用上的含义。其一，引用必须锁定版本号，因为若日后发布 1.1.0 修订了特征命名或补充了样本，未标版本的引用会指向不确定内容。其二，当前不存在「新旧版本差异」这类需要辨析的问题，凡是讨论本集内容者，讨论的都是同一份文件。
数据集标识方面存在两个 DOI：一个对应 1.0.0 这个具体版本，一个对应「最新版本」这一指向性标识。前者适合写进方法学的数据可用性声明，后者适合放在不希望随版本失效的参考文献列表里。二者指向同一份内容，但语义不同，混用会让引用者无法判断指向的是哪一版。
1.6 与「数据集论文」传统的差别
多数生物医学数据集以一篇专门的数据描述论文（data descriptor）作为学术锚点，论文里交代设计、质控、基线特征与技术验证，数据集本身作为附件发布。本集不走这条路：它的学术锚点就是 PhysioNet 的数据描述页，页内包含摘要、背景、方法、数据说明、使用说明与参考文献，但没有独立的期刊论文。
这一形态有得有失。得在于文档与数据同处一页，版本更新时文档同步更新，不会出现「论文描述的是 v1、实际下载到 v2」的错位。失在于缺少同行评议环节对方法学的独立审视，也缺少数据描述论文通常具备的基线特征表——本集的年龄、性别、体质指数分布、纤维化分期构成等一概不在页面内，使用者无法在申请前判断样本构成是否适合自己的研究问题。
因此使用本集时，基线特征只能从同源队列的其他出版物间接获取，且必须意识到那些出版物的人群与本集 110 例并非同一集合。这一点在写作方法学章节时尤其容易出错：把同源多中心研究的全体样本量当作本集的人群描述，是最常见的一类误引。
§2 数据构成：一张表里的十个问题
2.1 十个最常被问到的问题
Q1：这份数据到底叫什么、由谁发布？
官方名 BIDMC Metabolomic Cohort of Adults with Biopsy-Proven MASLD，托管在 PhysioNet，版本 1.0.0 于 2026 年 8 月 9 日发布。名称里的 BIDMC 指贝斯以色列女执事医疗中心，负责代谢组检测与数据处理；血清样本本身取自澳大利亚西悉尼的肝病门诊队列。作者署名三人，通讯作者为 Christos S Mantzoros，其研究组长期从事脂肪性肝病与代谢内分泌交叉方向。
Q2：110 例和一千余个特征分别指什么？
110 是受试者行数，即活检证实 MASLD 的成人例数；另一个数是每位受试者测得的靶向代谢组特征数，包含已命名代谢物与平台内部编号的未鉴定特征。两者相加再加一列 ID，即表头总列数。此处不必去数特征背后的化学类别——页面只给出类别范围的定性描述，未附逐类计数表。
Q3：表里有纤维化分期、MASH 诊断这些标签吗？
没有。发布页明确说明数据仅含代谢组学变量，不含临床或表型标签，也没有病例与对照的分组列。做有监督学习必须另行取得该队列的病理与临床元数据，并确认其与样本 ID 的对应关系可用。这一条在申请阶段就应该问清楚，而不是等拿到数据后发现无法建模再回头补。
Q4：代谢物数值带单位吗？
不带。页面说明数据集未给出各代谢物的显式测量单位，数值应理解为平台输出的相对丰度或归一化信号强度。可比较的是同一代谢物在不同样本间的相对高低，不能把不同代谢物的数值直接比大小或换算成浓度。做倍数变化、标准化与降维时，这一条不影响方法选择；做绝对定量、跨队列合并或与临床参考区间对照时，这一条是硬性阻断。
Q5：那些带星号和 X- 前缀的列是什么？
星号与双星号是平台注释惯例或置信度标记，说明该特征的鉴定等级；X- 前缀是平台内部的未完全鉴定特征编号，对应检测到但结构未定、或仅有部分结构信息的化合物。它们在统计上与其他列等价，都是可用的定量特征，但生物学解释受限：写讨论时不能把一个 X- 编号说成某个具体代谢物。
Q6：有没有缺失值要处理？
按页面说法，共享变量对每位受试者完整覆盖，且发布时未做任何插补。这意味着使用者不需要处理缺失，但也意味着无法从缺失模式里读出信息（例如某些代谢物在部分样本中低于检测限的规律），因为这类信息在发布前已被处理掉。
Q7：文件有多大、下载下来是什么样子？
页面未披露文件体积。形态是单个逗号分隔值文件，UTF-8 编码，首行表头。以 110 行、千余列的体量估算，纯文本体积在数兆字节量级，属轻量文件，常规统计软件与编程环境均可直接读入。具体大小只能在通过访问审核后确认。
Q8：同一份页面里既说前瞻又说回顾，哪个对？
两处都在页面原文里。摘要称这是一个前瞻横断面队列，使用说明的局限段又写部分样本为回顾性采集。较稳妥的表述是：样本采集与本研究目的相互独立，采集方式存在混合，引用时按原文两处并列陈述，不要二选一。这一矛盾不影响数据内容，但会影响对选择偏倚方向的判断。
Q9：样本来自悉尼，为什么署名 BIDMC？
署名机构是数据的处理方与发布方。血清在悉尼的肝病门诊采集，随后送往贝斯以色列女执事医疗中心完成代谢组检测、数据清洗与去标识化。引用时应把采集地与处理地分开写，避免误认为这是美国本土队列。同理，「BIDMC 队列」这个简称在检索时有效，在人群描述时会造成误导。
Q10：110 例能做机器学习吗？
可以，但只能做小规模、强正则化的探索。特征数远多于样本数，任何未做嵌套交叉验证的准确率都不具参考价值。更稳妥的用法是把它当作外部验证集或假设生成集，而不是从头训练一个可部署的分类器。若确实要在本集上训练，建议把特征数压到数十个以内、采用重复交叉验证并报告置信区间。
§3 数据字典与规格
3.1 表结构总览
整份数据是一张宽表，没有关系型分部，也没有配套的样本注释表、特征注释表或质控报告。这种「单表交付」形态在组学数据里并不常见，好处是读取零成本，代价是所有字典信息必须事先读文档，无法从文件本身推断。
| 层 | 内容 | 规格 | 字段可靠性 |
|---|---|---|---|
| 行 | 受试者 | 110 行，不含表头 | 依页面原文，高 |
| 列 | 首列 ID + 全部特征 | 共 1,619 列 | 依页面原文，高 |
| 编码 | UTF-8 | 单文件 | 依页面原文，高 |
| 格式 | CSV | 逗号分隔 | 依页面原文，高 |
| 缺测 | 无缺失、未插补 | 全变量逐例覆盖 | 依页面原文，中（未附逐列缺失统计） |
| 单位 | 无显式单位 | 相对丰度 | 依页面原文，高 |
| 标签 | 无临床或表型列 | 纯组学 | 依页面原文，高 |
| 体积 | 未披露 | 数兆字节量级 | 依列数与行数推定，低 |
表中「字段可靠性」一列按三类标注：依页面原文者为「高」，页面有陈述但未附支撑材料者为「中」，自行推算者为「低」。这一列的作用是让使用者在写方法学时知道哪些可以直接引用、哪些需要加限定语。
3.2 首列 ID 的性质与用法
首列名为 ID，是每个样本的唯一标识。页面表述是「每份样本的唯一标识」，而非患者编号。这一措辞差别在实践中很重要。
若 ID 是样本级而非患者级，则同一患者若贡献多份样本（例如不同时点采血），会出现多个 ID 对应同一人。本集是横断面设计，同日上午采血与活检各一次，理论上不存在重复采样，但页面未显式声明一人一样本。做受试者层面的统计时，应先确认 ID 是否一一对应到人；若不能确认，宜把所有分析都表述为「样本层面」而非「患者层面」。
ID 的具体编码规则未披露。它既可能是随机串，也可能隐含采集顺序或批次信息。后者若成立，ID 本身就会与批次效应相关，直接把它作为特征或排序依据会引入泄漏。稳妥做法是把 ID 当作纯标签，不参与任何建模变量。
3.3 特征列的命名体系
特征列命名分三类，混在同一表头里，读表时需逐类识别。
标准生化名：按通用生化命名法书写的代谢物名称，如各类氨基酸、有机酸、脂质种类的规范缩写与全称。这类列可直接对应到公共代谢物数据库做注释映射。
平台内部编号：以 X- 开头的列，是检测到但未完全鉴定、或结构未定的特征，由分析平台分配内部编号。这类列在不同批次或不同面板版本之间不一定稳定对应同一化合物，跨数据集匹配时应避免按名称硬对齐。
带标记名称：含单星号或双星号的列名，标记反映平台注释惯例或鉴定置信度。星号本身不是数据的一部分，读取时不应被当作变量名的一部分去做字符串匹配，否则在数据清洗的合并步骤中会产生对不上的列。
三类命名的并存意味着：做通路富集分析时，只有第一类能直接映射到通路数据库，第二类只能作为未知特征保留在模型中或整体剔除；两种处理方式对结果的影响应在方法学里交代。
3.4 代谢物覆盖的类别范围
页面给出的类别是定性描述，涵盖脂质、氨基酸及其衍生物、有机酸、代谢中间体、维生素，以及其他循环小分子标志物。没有逐类计数，也没有面板清单。
这一描述的实用含义是可以据此判断研究方向是否落在覆盖范围内。若研究问题围绕氨基酸代谢、三羧酸循环中间体、胆汁酸或脂质种类，本集大概率有相应特征；若围绕极短链脂肪酸、氧化脂质或特定外源物，则需先确认面板是否包含，不能默认有。
与 MASLD 机制文献对照，被反复报道的方向集中在几类：支链与芳香族氨基酸的升高、甘氨酸与丝氨酸通路的改变、胆汁酸谱的重构、甘油三酯与磷脂种类的偏移、以及酰基肉碱反映的线粒体脂肪酸氧化状态。这些方向都在靶向面板的典型覆盖范围内，但具体到本集是否逐一具备，页面未给清单，只能通过申请后核对表头确认。
3.5 数值的量纲与可比性边界
数值为相对丰度或归一化信号强度，无单位。这一条对分析流程的具体影响分三种情形。
在单数据集内部做差异分析、聚类、降维时，跨代谢物的量纲不一致并不构成障碍，因为绝大多数方法都对每个特征独立标准化，比较的是同一位次上的样本间差异。
在单数据集内部做总浓度估计、代谢物比值（如某两种氨基酸之比）时需谨慎：比值在相对丰度下仍有意义的前提是两个特征经历了相同的归一化处理。若平台对各类代谢物分别做了不同的归一化，比值就失去了生化解释。页面未说明归一化细节，因此比值类指标应在方法学中标注为「基于平台输出信号的经验比值」。
在跨数据集合并、与绝对定量数据对接、或与临床参考区间比较时，无单位是硬阻断。此时只能做秩转换后的相关性分析，不能做数值层面的拼接。
3.6 去标识化的范围
全集按 HIPAA Safe Harbor 标准去标识化。该标准要求移除 18 类直接或准直接标识符，包括姓名、详细地理信息（保留到州或三位邮编）、除年份外的日期要素、联系方式、病历号、生物识别标识等。
对本集而言，Safe Harbor 的直接后果是：没有年龄（只有是否成人的二分）、没有性别、没有采集日期、没有体质指数、没有实验室检查值。这也解释了为什么表里除 ID 与代谢物外一无所有——不是发布方刻意省略临床变量，而是临床变量本身就在去标识化过程中被剥离，或从未进入共享文件。
需要提醒的是，Safe Harbor 是规则式去标识，不保证抗推断攻击。高维组学数据本身具有高度个体可识别性，理论上可通过对公开参照数据的匹配做身份重识别。Contributor Review 条款要求研究计划逐项审阅，部分作用即在于此。
3.7 与「多组学特征」表述的辨析
变更说明里用的是「完全去标识化的多组学特征」这一表述，而页面其余部分只描述代谢组。这一措辞差异不应被理解为表里含基因组或蛋白组数据。
合理解读是：该表述沿用了课题组在更广泛项目中的用语习惯，本数据集实际交付的只有代谢组一层。使用者在方法学里应写作「血清靶向代谢组」，不要写成「多组学」，否则会被审稿人追问其余组学层在哪里。
若研究确实需要多组学，可考虑与本库内的慢性肝病肝组织单细胞图谱对照使用，但那是另一批样本、另一种组织，不能与本集做样本级拼接，只能做通路层面的相互印证。
§4 怎么拿到：访问路径、许可与合规
4.1 三重门槛的结构
访问控制由三层叠加构成，任何一层不通过都拿不到文件。
第一层是资质认证（credentialing）。使用者须在平台上完成身份与机构核验，通常要求有学术或医疗机构隶属、能提供机构邮箱与导师或主管确认。这一层的目的是确认申请人属于受监管的研究环境。
第二层是数据使用协议（Data Use Agreement，DUA）。签署后申请人对数据的使用范围、再分发限制、安全存储、结果发表时的致谢与引用方式作出承诺。协议版本为 Contributor Review Health Data Use Agreement 1.5.0。
第三层是贡献者审阅。这是本集区别于平台多数开放数据的关键：即使通过前两层，研究计划仍须经数据贡献者逐项审阅并批准。页面原文的表述是，只有签署 DUA 的资质用户才能访问文件，此外用户的研究还须经贡献者单独审阅。
三层的实际效果是审批周期不可预期。前两层有相对固定的处理时限，第三层取决于贡献者的响应节奏与研究计划的说服力，页面未给承诺时限。
4.2 许可条款的性质
许可为 PhysioNet Contributor Review Health Data License 1.5.0。它不是一个标准化的知识共享许可，而是平台自定的健康数据许可，核心特征是「按约定用途使用、不再分发、不尝试重识别」。
与常见的 CC BY 系列相比，差别有三点。其一，CC 许可授予的是著作权层面的使用自由，而本许可约束的是数据主体权益层面，二者不能互相替代。其二，CC 许可允许再分发，本许可原则上不允许把原始文件转给第三方，合作者需各自申请。其三，CC 许可不要求用途审查，本许可要求。
与「开放获取」相比，本集不属于开放数据。它的公开性仅限于元数据与文档层，受限的是数据文件本身。检索时若看到页面可访问就以为数据可下载，是最常见的预期错位。
4.3 研究计划的写法建议
由于第三层是人工审阅，申请材料的写法直接影响通过率与周期。页面未给模板，但从条款性质可以推出几条实用原则。
明确科学问题与最小必要数据。审阅者关心的是申请的数据是否与问题匹配，因此写清「用哪些特征、回答什么问题、为何必须是这份数据」比泛泛地说「用于代谢组研究」更有效。
说明数据安全措施。存储位置、访问权限管理、是否在受控环境内分析、留存期限，这些是贡献者评估风险时的常规关注点。
承诺不再分发与不尝试重识别。这两条是许可的核心义务，主动写明可减少往返。
说明成果发布方式。是否发表、以何种粒度发布结果（汇总统计还是逐特征系数）、是否会把派生数据公开，这些会影响贡献者对二次披露风险的判断。
4.4 区域可用性与网络环境
部分网络环境下页面会提示数据在当前区域不可用，并注明系法律或政策限制所致。这属于访问端的地理与合规限制，不是数据集下线，也不代表内容有变。
对使用者的含义是：能否下载取决于申请人所在机构与平台之间的合规安排，而非仅取决于资质与审阅结果。跨境合作项目中，应由具备条件的机构方作为申请人，其他合作者通过数据使用协议覆盖的合作机制参与，而不是各自尝试绕过区域限制。
4.5 引用与致谢的规范写法
引用应包含三层信息：数据集本身（作者、标题、版本、平台、DOI、RRID）、平台层面的方法学引用（PhysioNet 作为科研基础设施的论文）、以及研究计划获批的事实陈述。
版本号不可省。由于存在版本 DOI 与最新版本 DOI 两种标识，方法学中宜用版本 DOI 并显式写明版本号，使引用者可定位到确切内容。
致谢部分通常需提及数据贡献者与平台，部分许可还要求声明本研究经过贡献者审阅批准。具体措辞应以下载时随附的协议文本为准，不要照搬其他数据集的致谢模板。
4.6 派生数据的发布边界
在本集上做出的派生结果，哪些可以公开、哪些不可以，取决于许可对「派生数据」的界定。一般而言，聚合层面的结果（通路富集表、模型系数、分组统计量）风险较低；逐样本的预测值、逐样本的特征矩阵子集风险较高，因为它们可能被反向用于重识别或重建原始数据。
稳妥做法是只发布聚合结果与代码，不发布任何可以还原到单例的中间产物；若必须发布逐样本信息，应先与贡献者沟通并取得书面同意。这一点在投稿时的数据可用性声明中也要写清。
§5 质量与已知问题
5.1 数据完整性：强项与未验证项
完整性方面，本集有一处明确强项：全变量逐例覆盖、未做插补。组学数据常见的「某些特征在某些样本中缺失」在这里不存在，使用者不必在缺失机制上做假设，也不必比较不同插补策略的敏感性。
未验证项同样清楚。其一，没有逐特征的质控指标（如批内变异系数、检出率、信号强度分布），因此无法判断哪些特征在技术上不可靠。其二，没有批次信息，若 110 例分多批检测，批次效应无法在分析中校正，只能依赖平台内部的归一化。其三，没有阳性对照或标准品的测定记录，跨平台可比性无从评估。
这三项缺失不构成数据错误，但决定了分析的上限：使用者无法在本集内部完成技术质控，只能接受平台已经完成的处理，并把这一点写进局限。
5.2 假设—支持—反对表
对几个无法从页面直接确认、但影响使用决策的问题，按证据强弱列出两面。
| 假设 | 支持证据 | 反对证据或反例 | 结论强度 |
|---|---|---|---|
| 110 例均为活检证实的 MASLD | 标题与摘要均写活检证实；描述为胃肠-肝病门诊因肝功能异常转诊者 | 页面未给病理判读流程、未给 MASLD 判定所依据的心血管代谢标准清单 | B |
| 每例仅一份样本 | 横断面设计，同日上午采血与活检各一次 | 未显式声明 ID 与患者一一对应 | C |
| 检测为单一批次完成 | 单中心单平台，样本集中送检 | 未见批次字段与质控报告 | D |
| 队列为前瞻性 | 摘要称前瞻横断面 | 使用说明称部分样本回顾性采集 | 冲突，并列陈述 |
| 数值可做代谢物间比值 | 多数靶向平台对同类化合物做统一归一化 | 页面未说明归一化是否按类别分层 | C |
| 与同源多中心研究为同一人群 | 同一课题组、同一位点、同一检测机构 | 该研究样本量为数百例，与本集的例数不符 | 否，不可混用 |
表中结论强度沿用 A/B/C/D 四级：A 为三条以上独立证据线，B 为两条，C 为单一来源，D 为推断。冲突项不强行裁决，并列陈述是更诚实的处理。
5.3 高维小样本的结构性风险
110 个样本对上千个特征，特征数是样本数的十几倍。这一比例在代谢组研究中并不罕见，但它对建模的影响是结构性的，不能靠调参化解。
风险集中在三处。过拟合：任何在全部特征上训练的分类器都能在训练集上达到很高的区分度，但这种区分度不含泛化信息。特征选择泄漏：若先在全体样本上做差异筛选再交叉验证，验证集的信息已通过筛选步骤进入模型，得到的性能估计系统性偏高。多重比较：上千次检验下，未校正的显著性阈值会产生大量假阳性，而校正后又可能因样本量不足而全部不显著。
页面对此有明确提示，建议使用交叉验证或独立外部验证。这句话的实际分量比字面更重——它意味着作者本人认为本集不足以支撑未经外部验证的结论。
5.4 人群与场景的外推限制
招募自二级或专科门诊，就诊原因是肝功能检查异常。这一入口决定了样本是高风险富集人群，而非一般人群或社区筛查人群。
后果是阳性预测值不可移植。在患病率高的门诊人群中，一个灵敏度与特异度固定的标志物组合会得到较高的阳性预测值；换到患病率低的一般人群，同样的灵敏度与特异度下阳性预测值会大幅下降。把本集上训出的模型直接拿到体检人群做筛查，性能衰减主要来自患病率差异而非模型本身。
此外，单一卫生区、单一种族构成背景（页面未给族裔构成，只能从地理推断以欧裔为主）意味着跨种族的代谢组差异无法评估。MASLD 的患病率与代谢表型在不同族裔间存在差异，这一点在跨人群应用时需单独验证。
5.5 「无标签」带来的任务约束
数据不含纤维化分期、MASH 状态与病例对照划分，这使得本集只能直接支持无监督任务：聚类、降维、共表达模块识别、异常样本检测。
有监督任务并非不可能，但必须外接标签。外接时有两个技术前提：一是标签能通过某个键与样本 ID 对应；二是标签的定义与本集人群的入组标准一致。前者是工程问题，后者是方法学问题——若外接标签来自另一套诊断标准，模型学到的其实是标准差异而非生物学差异。
页面提到数据集的一个目标是支持「跨疾病谱的潜在代谢亚群」发现，这正对应无监督路径。用无标签数据做亚群发现是自洽的，但亚群的临床意义需要另行用带标签的外部数据验证，不能在本集内部闭合。
5.6 与「公开即可复现」的差距
可复现性通常包含三层：数据可得、代码可得、环境可得。本集在第一层上是「有条件可得」，在第二、三层上未提供任何材料——没有官方分析代码，没有环境配置，没有基线结果。
这意味着「复现」在本集语境下只能指「按同一份数据、同一套自行编写的流程得到相同结果」，而不是「复跑官方脚本得到官方数字」。写方法学时把两者说清楚，可以避免误以为存在可对照的参考实现。
§6 能做什么：任务清单与最小可执行示例
6.1 四类适配任务
按数据形态与本集特征，可做的任务大致分四类，适配度依次递减。
通路层面的假设生成。把全部特征按生化类别归组，比较组内特征的整体位移方向，识别在 MASLD 中系统性上调或下调的通路。这类分析不依赖临床标签，只需要把样本按某个外部变量（若外接标签可得）或按聚类结果分组。适配度高，是本集最自然的用法。
无监督的代谢亚型发现。对样本做降维与聚类，检验是否存在稳定的代谢亚群。关键在稳定性检验：换随机种子、换特征子集、换聚类算法后亚群结构是否保持。适配度高，但需警惕小样本下聚类结果的偶然性。
外部验证集。把在别的队列上训出的标志物组合或模型拿到本集上测试，报告区分度与校准。这是本集最被低估的用法——110 例虽不足以训练，但足以作为一个独立来源的验证点。适配度高。
监督分类器训练。需外接标签，且受 5.3 所述风险约束。适配度中，只在特征数压缩到很小、且采用嵌套交叉验证时可行。
明确不适配的任务包括：绝对定量比较、跨平台数值合并、以本集单独支撑的临床决策规则、以及任何需要纵向随访的预后建模。
6.2 最小可执行流程
下面的流程以「外接标签 + 二分类」为例，展示从读表到报告的最短路径。各步骤的具体实现依语言与习惯而异，此处只给顺序与要点。
第一步，读表并核对维度。读入后检查行数、列数是否与文档所述一致，首列是否为 ID。维度不符说明文件有问题或读取时把首列当成了行名。
第二步，分离标签与特征。把 ID 单独取出作为索引，特征矩阵为其余列。检查是否存在零方差列与常数列，这类列在标准化时会产生除零。
第三步，做无监督的样本质量检查。主成分分析看是否存在离群样本，层次聚类看是否存在明显的分块。若发现离群样本，先查是否为技术异常，不要急于剔除。
第四步，划分数据并嵌套交叉验证。外层划分用于估计泛化性能，内层划分用于调参与特征选择。特征选择必须放在内层，这是避免泄漏的关键。
第五步，报告。给出交叉验证的均值与离散度、置信区间、以及相对于多数类基线的提升。不要只报最优折的结果。
6.3 特征筛选的取舍
在全部特征上做筛选，方法选择直接决定结论的稳健性。
单变量筛选（t 检验、秩和检验）简单但忽略特征间相关；在代谢组数据里，同一通路的代谢物高度相关，单变量筛选会重复选中同一簇内的多个特征。多变量筛选（正则化回归、随机森林重要性）能处理相关结构，但结果对超参数敏感。通路层面的聚合（先按类别汇总再检验）牺牲分辨率换取稳健性，在小样本下往往是更明智的选择。
实践中的折中做法是三层：先用方差或检出率做无监督过滤，去掉信息量极低的特征；再用带正则的多变量模型做筛选；最后把入选特征映射回生化类别，看是否集中在少数通路。若入选特征分散在毫无关联的类别中，通常是过拟合的信号。
6.4 结果解读的三个参照系
同样的统计结果，放在不同参照系下含义不同，写作时需明确用的是哪一个。
样本内参照：某个特征在两组间的相对高低。这一层只说明本集内的差异，不涉及机制。
通路参照：把差异特征映射到生化通路，看是否与已知的 MASLD 机制方向一致。一致提供旁证，不一致未必是错误，可能是人群或分期构成的差异。
文献参照：与已发表的代谢组研究比对方向。这里要注意平台差异——靶向与非靶向、不同面板版本之间，同一代谢物的方向可能相反，原因往往是测量对象不同（如游离态与结合态）。
三层参照都通过，结论才可以写成「与既有认识一致」；只有样本内参照通过，结论只能写成「在本队列中观察到」。
6.5 一个易被忽略的前置检查
在动手分析前，值得先做一件事：把每个特征名与公共代谢物数据库做一次映射，统计能映射上的比例。
这个比例直接决定了后续通路分析的可行性。若可映射比例高，通路富集可靠；若比例低（大量 X- 编号），则通路分析实际上只覆盖了部分特征，结论的代表性受限。把这个比例写进方法学，比事后在讨论里解释「部分代谢物未能注释」要主动得多。
映射时还要注意同物异名：同一化合物在数据库里可能有多个标识符，直接按名称字符串匹配会漏配。用数据库提供的同义词表做多对一映射，再人工核对高影响特征，是更稳的做法。
§7 常见误读与引用陷阱
下表左列为常见说法，中列为核实后的口径，右列为证据位置。
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| 「这是美国波士顿的 110 例患者」 | 样本采集于澳大利亚西悉尼的肝病门诊，BIDMC 只承担检测与数据处理 | 发布页摘要与背景段 |
| 「BIDMC 数据集」指同一份东西 | BIDMC 冠名的公开数据至少有 PPG 波形集与本集两种，数据形态与主题完全不同 | 库内 bidmc-ppg 与本集对照 |
| 「这是 BIDMC 心音数据集」 | 本库无 BIDMC 心音条目；平台上的心音挑战数据出自另一来源 | 平台目录与库内检索 |
| 「含纤维化分期与 MASH 标签」 | 页面明确说明仅含代谢组变量，无临床或表型标签 | 使用说明局限段 |
| 「数值是血药浓度或绝对含量」 | 无显式单位，为相对丰度或归一化信号强度 | 数据说明段 |
| 「这是多组学数据」 | 变更说明用了多组学措辞，但实际交付仅代谢组一层 | 变更日志与数据说明对照 |
| 「人群即同源多中心研究的数百例」 | 同源出版物的人群规模远大于本集，两者不是同一集合 | 同源论文方法与发布页摘要对照 |
| 「病理由两位专家双读、一致率 85%」 | 该描述出自同源多中心研究的通用方法，本集页面未复述 | 同源论文方法节 |
| 「可直接下载，无需申请」 | 需资质认证、签 DUA、并经贡献者逐项审阅 | 访问政策原文 |
| 「可自由再分发给合作者」 | 许可不允许原始文件再分发，合作者须各自申请 | 许可条款性质 |
| 「已有官方基线模型可对标」 | 未附划分、未附基线、未附分析代码 | 页面无相关栏目 |
| 「缺失值需要插补」 | 全变量逐例覆盖，发布时未做插补 | 数据说明段 |
| 「110 例足够训练一个诊断模型」 | 样本远少于特征，页面自身提示过拟合风险，建议交叉验证或外部验证 | 使用说明局限段 |
| 「X- 开头的列是某个已知代谢物」 | 平台内未完全鉴定特征，结构未定 | 数据说明段命名规则 |
7.2 技术性陷阱
文件名与路径。交付物为单个 CSV，但页面同时提到附有说明文件。下载后应先列目录确认实际文件清单，不要假定说明文件与数据表同名同目录。
ID 的层级。首列是样本标识而非患者标识，按人统计与按样本统计在横断面设计下数值相同，但在方法学表述上不同，不要写混。
星号不是变量名。含星号的列名在做字符串匹配、列名去重或写入数据库时容易出错，读入时应保留原样并单独建立「原列名 → 清洗列名」的映射表。
DOI 的两副面孔。版本 DOI 指向 1.0.0 这一具体版本，最新版本 DOI 指向一个随时间移动的指针。方法学里用前者，参考文献里可用后者。
「前瞻」与「回顾」不是笔误。两处表述都在页面原文中，一处描述设计，一处描述采集执行。引用时不要择一，也不要据此推断数据质量有问题。
例数的三个数字。本集 110、同源研究的全样本数百例、同源研究排除后主分析样本又略少——这三个数字分属不同集合，混用会使人群描述失真。
许可名称里的版本号。许可与协议都是 1.5.0 版，但这是许可文本的版本，不是数据集版本的 1.0.0，两者不可互换。
「Data Not Available」的含义。页面提示数据在部分地区不可用，是区域合规限制，不是数据集被撤。看到这条提示不代表内容失效。
表头列数与特征数的差一。表头比特征数多出一列，那多出的一列是 ID。校验维度时若直接按特征数比对表头列数会误判，差一即由此而来。
7.3 引用时的措辞建议
引用者最容易在两处失分：把处理地写成采集地，把数据集规模写成人群规模。
推荐的第一种写法是把三方分开：「该数据集由 BIDMC 检测并托管于 PhysioNet（版本 1.0.0），样本取自澳大利亚西悉尼肝病门诊的 110 例活检证实 MASLD 成人」。这一句同时交代了处理方、托管方、采集地与样本量，不会产生歧义。
第二种写法针对方法学段落：「血清靶向代谢组（千余个特征）以相对丰度形式提供，无临床标签，使用须经贡献者审阅」。这句话把三个关键约束一次讲清，评审者不必回查原页面。
应避免的写法包括：「美国队列」「公开数据集」「可自由使用」「含完整临床信息」。这四类表述都会在事实核查时被推翻，且推翻成本很低——原页面上都有明确的反证。
§8 在生态中的位置
8.1 在代谢组数据托管格局中的位置
代谢组数据的托管长期分散在三类基础设施：通用组学存储库、代谢组专用存储库、以及机构自建门户。本集属于第三类经平台再托管的情形——机构完成检测与整理，再交由通用型生理数据平台发布。
与代谢组专用存储库相比，通用平台的优点是访问控制体系成熟、许可与协议模板完备、引用机制规范；缺点是对代谢组特有的元数据（色谱条件、质谱参数、鉴定等级体系）缺少结构化字段，只能写进自由文本的说明段。使用者若需要严格的元数据交换，往往还得回到专用存储库寻找同类数据。
这一格局的实际含义是：本集更适合作为「分析就绪的表格」使用，而不适合作为「可重分析的原始数据」使用。原始谱图不在交付范围内，任何需要从峰提取开始重做的研究都无法在本集上完成。
8.2 与公共代谢物参考库的关系
本集的列名依赖公共代谢物参考库才能解释。人类代谢组数据库一类资源提供了代谢物的规范名、同义词、化学分类与通路归属，是把本集的全部列名转成生物学含义的必备工具。
需要区分两类资源的分工：参考库提供「这个化合物是什么」，本集提供「这批人在这个化合物上的信号强度」。前者是字典，后者是语料。把参考库当成数据来源引用，或把本集当成化合物身份的确证依据，都是角色错位。
8.3 与大规模人群代谢组队列的互补
人群尺度的代谢组资源通常采用核磁共振或非靶向质谱，样本量在数千至数十万，表型以问卷与常规检验为主，肝病状态多靠影像或血清学指数判定。这类资源的强项是统计功效与遗传关联，弱项是肝病表型的确认强度。
本集正好相反：样本量小、表型确认强、平台为靶向质谱。两者构成「广度—深度」的互补。可行的一种设计是：在大人群队列中筛出候选标志物与遗传工具，再在本集这类活检确认的小队列中检验方向一致性。这种设计不能靠合并数据实现，只能靠分别分析后比对结论。
8.4 与肝病组织学资源的互补
慢性肝病的组织层面资源（如肝组织单细胞图谱）提供的是细胞组成与空间结构信息，回答「哪些细胞在做什么」；本集提供的是循环小分子的整体位移，回答「血液里能测到什么」。
两者可以在通路层面互相印证：若组织图谱显示某类细胞的某条通路活跃，而本集显示该通路的终产物在血清中升高，两者构成一致的证据链。但这种印证是有条件的——血清浓度受清除率、分布容积与肝外来源影响，组织表达与血清浓度不同步是常态，不能把不一致直接判为矛盾。
8.5 与影像侧肝病资源的互补
影像侧的肝病资源提供脂肪含量、纤维化程度的无创估计，是当前临床路径的主力。本集提供的是分子层信息，理论上可以补充影像无法分辨的炎症活动度。
两者的结合点在于「影像定性 + 血液定量」的联合模型。但要注意时间对齐：影像与采血若不在同日，疾病状态的短期波动会稀释关联。本集的特点是采血与活检同日上午，这一设计在联合建模时是优势，值得在对比其他数据集时点明。
8.6 与转化研究链条的位置
从发现到应用的链条大致是：假设生成（小样本深表型）→ 候选筛选（中等样本）→ 外部验证（独立队列）→ 前瞻评估（目标人群）→ 临床效用评价。本集的位置在第一环与第三环之间——它足够深，可以生成假设；也足够独立，可以作为验证点；但不足以支撑后两环。
把本集放在链条中的正确位置，能避免两类误用：一是把小样本探索的结论直接写成临床建议，二是要求一个 110 例的数据集提供诊断准确性的大样本证据。前者是越界，后者是错配期望。
§9 适用性判断与边界
9.1 适用场景清单
以下场景中，本集是合适的选择。
需要一份带活检确认的血清代谢组作为外部验证集，且验证的是通路方向或候选标志物的相对高低，而非绝对阈值。需要探索 MASLD 人群内部的代谢异质性，且接受结果作为假设而非结论。需要一份格式极简、可直接读入建模环境的表格，且不要求原始谱图。需要在方法学上强调「病理确认」这一质量维度，用以对比影像或血清学定义的研究。
9.2 不适用场景清单
以下场景中，本集不合适，勉强使用会得出无法辩护的结论。
需要建立可部署的诊断或分型模型，且无法获得独立外部验证集。需要绝对定量、跨平台合并或与临床参考区间对照。需要纵向随访数据做预后建模。需要按纤维化分期或炎症分级做分层分析，而无法外接标签。需要覆盖面板之外的通路（如特定外源性暴露物或极短链脂肪酸）。
9.3 最小可行研究设计模板
若以本集为核心做一个可发表的分析，下面是一个保守的设计骨架。
研究问题限定为一个通路层面的方向性假设，不追求区分度指标。分析路径为：特征注释 → 按生化类别聚合 → 类别层面的整体位移检验 → 与文献方向比对。稳健性检验包括：换聚合方式、换距离度量、剔除高影响样本后重跑。报告内容包括：可映射特征比例、类别层面的效应方向与不确定性、以及明确的局限陈述。
这一设计的样本量需求低、结论强度适中、不依赖临床标签，与数据的形态最匹配。若研究问题必须涉及区分度，则应把本集定位为验证集，训练在别处完成。
9.4 判断流程图（文字版）
决策可从三个问题依次展开。
第一个问题：研究是否需要临床标签？若需要，先确认能否外接到与样本 ID 对应的标签；不能则退回无监督设计。第二个问题：结论是否需要区分度或阈值？若需要，本集只能作为验证集，须另有训练集；不需要则可在本集内部完成通路层面分析。第三个问题：是否要求原始谱图或绝对定量？若是，本集不适用，应转向提供原始数据的存储库。
三个问题都通过，才进入设计与申请。任一处不通过，应换数据源而不是调整分析来迁就数据。
§10 总结
10.1 三句话概括
这是一份 110 例活检证实 MASLD 成人的空腹血清靶向代谢组，以单张 CSV 交付，全部特征无单位、无临床标签、无缺失。它的核心价值是把「病理确认」与「逐样本高维代谢数据」放进同一个可申请复用的文件，适合做通路层面的假设生成与独立外部验证。它的核心约束是受限访问、高维小样本、以及标签与量纲的双重缺位——任何超出这三条的分析都需要额外的数据或论证支撑。
10.2 适用与不适用的分界
分界可以压缩成一个判断：研究问题是否止步于「在这批人身上观察到了什么方向」。
止步于此，本集是合适甚至理想的材料——它深、干净、格式简单、病理确认明确。越过这条线，要求给出「能不能据此判别、阈值定在哪、能不能推广到别的人群」，本集就不够了，需要训练集、外部验证集与前瞻评估，三者都不是一份 110 例的数据能提供的。这条线不是评价数据好坏的标准，而是规模与设计的客观结果。
10.3 若要开始使用，前三件事
第一，核对访问路径。先确认所在机构能否完成资质认证，再准备研究计划，把科学问题、最小必要数据、安全措施、不再分发承诺写清。这一步的耗时通常长于分析本身。
第二，核对表结构。拿到文件后先验维度、看列名构成、统计可映射比例，把这三项写进分析日志。它们决定了后续能做什么、不能做什么。
第三，核对标签可用性。明确自己是否需要临床标签；若需要，确认来源、定义与样本 ID 的对应关系；若不需要，把研究问题限定在无监督与通路层面。
三件事做完，再决定分析方案。顺序颠倒的代价通常是在分析末期才发现数据不支持预设的问题。
附录 A 关键数字速查
| 项 | 值 | 口径 |
|---|---|---|
| 版本 | 1.0.0 | 发布页版本字段 |
| 发布日 | 2026-08-09 | 发布页日期 |
| 受试者 | 110 | 数据行数，不含表头 |
| 特征数 | 1,618 | 每位受试者的靶向代谢组特征 |
| 列数 | 1,619 | ID 一列 + 特征 |
| 编码与格式 | UTF-8 / CSV | 单文件 |
| 缺失 | 无 | 全变量逐例覆盖，未插补 |
| 单位 | 无 | 相对丰度 |
| 平台 | UPLC-MS/MS，靶向 | 检测方法 |
| 采血时点 | 与活检同日上午 | 空腹血清 |
| 去标识 | HIPAA Safe Harbor | 全集 |
| 许可 | Contributor Review Health Data License 1.5.0 | 平台许可 |
| 访问 | 资质 + DUA + 贡献者审阅 | 三重门槛 |
附录 B 缩写表
| 缩写 | 全称 | 中文 |
|---|---|---|
| MASLD | metabolic dysfunction-associated steatotic liver disease | 代谢功能障碍相关脂肪性肝病 |
| MASH | metabolic dysfunction-associated steatohepatitis | 代谢功能障碍相关脂肪性肝炎 |
| NAFLD | nonalcoholic fatty liver disease | 非酒精性脂肪性肝病 |
| NASH | nonalcoholic steatohepatitis | 非酒精性脂肪性肝炎 |
| MAFLD | metabolic dysfunction-associated fatty liver disease | 代谢功能障碍相关脂肪性肝病（旧称） |
| BIDMC | Beth Israel Deaconess Medical Center | 贝斯以色列女执事医疗中心 |
| LCP | Laboratory for Computational Physiology | 计算生理学实验室（MIT） |
| UPLC-MS/MS | ultra-high-performance liquid chromatography–tandem mass spectrometry | 超高效液相色谱-串联质谱 |
| DUA | data use agreement | 数据使用协议 |
| HIPAA | Health Insurance Portability and Accountability Act | 健康保险携带与责任法案 |
| NAS | NAFLD activity score | 非酒精性脂肪性肝病活动度评分 |
| NASH CRN | NASH Clinical Research Network | 非酒精性脂肪性肝炎临床研究协作网 |
| PCA | principal component analysis | 主成分分析 |
| RRID | Research Resource Identifier | 研究资源标识符 |
附录 C 使用前检查清单
- 已确认所需代谢物类别落在平台覆盖范围内，而非仅凭「靶向代谢组」四字推断。
- 已确认研究问题不依赖绝对定量或跨平台数值合并。
- 已确认是否需要临床标签；若需要，标签来源与样本 ID 的对应关系已落实。
- 已确认分析流程中特征选择位于交叉验证内层，不存在泄漏。
- 已确认交叉验证采用重复或嵌套形式，并报告离散度而非仅报均值。
- 已确认可映射到公共数据库的特征比例，并在方法学中披露。
- 已确认引用包含版本号与版本 DOI，致谢符合协议要求。
- 已确认不发布可还原到单例的中间产物。
- 已确认方法学中区分了采集地与处理地、数据集规模与人群规模。
- 已确认局限段涵盖无单位、无标签、小样本三项。
附录 D 未覆盖内容
以下内容不在数据集或其文档范围内，需从其他来源获取。
临床与病理：年龄、性别、体质指数、族裔、肝酶谱、血脂血糖、纤维化分期、炎症分级、脂肪变程度、是否合并糖尿病与高血压。这些字段在去标识化与共享环节均已剥离。
技术与质控：色谱柱与流动相条件、质谱型号与离子化模式、批内与批间变异、检出率、内标回收、批次划分、原始谱图与峰提取参数。
分析材料：官方分析代码、官方划分方案、官方基线模型与性能数字、特征注释表的结构化版本。
附录 E 面向机器的检索模板
按主题检索时，可用下列要素组合，减少同名词造成的噪声。
数据集本体：以官方全名加平台名检索，避免仅用机构缩写，因为缩写会命中大批同机构的其他数据。
命名沿革：把 MASLD、MASH、NAFLD、NASH、MAFLD 五个词并列检索，覆盖更名前后两代文献。
同源队列：以采集地卫生区名与检测机构名联合检索，可找到共享同一位点或同一检测平台的其他研究，用于判断人群与方法学背景。
方法论：以靶向代谢组、高维小样本、通路层面聚合、嵌套交叉验证等要素组合检索，获取分析方法而非数据本身。
附录 F DAIMS 评估
DAIMS（Data and Information Management System，数据与信息管理系统）是一套面向科研数据管理的评估框架，从六个维度刻画数据资产的成熟度。下表按该框架对本集逐维度给分，分数为 1 至 5，5 为最成熟。评分依据仅限公开发布页与文档，未通过访问审核查看实际文件，故技术维度的分数留有不确定性。
| 维度 | 得分 | 依据 |
|---|---|---|
| 数据描述与文档 | 4 | 摘要、背景、方法、数据说明、使用说明齐备，命名规则与局限均有交代；缺基线特征表与逐特征质控 |
| 可发现性与标识 | 4 | 平台内可检索，有版本 DOI、最新版本 DOI、平台 RRID；无独立期刊论文，缺一个学术检索入口 |
| 访问与许可清晰度 | 5 | 许可名称、协议名称、访问政策三层表述明确，条款版本号齐全 |
| 数据质量与完整性 | 3 | 全变量覆盖、未插补是加分项；无质控指标、无批次信息、无单位是减分项 |
| 互操作与标准符合 | 3 | CSV 通用性好；无标准化组学元数据字段，特征注释未结构化，鉴定等级仅以星号标记 |
| 复用与可复现支持 | 2 | 无官方代码、无划分、无基线；受限访问与逐项审阅抬高复现门槛 |
六项之和为 21，均值 3.5。这一分布形态有明确特征：制度层面（访问与许可）得分最高，复现层面（代码与基线）得分最低。对使用者的直接含义是——拿到数据不难在「合规」上出错，难在「复现」上无参照；所有分析细节都得自己建立并记录。
若要把本集用于教学或团队内部的可复现研究，建议在组织层面补齐两项：一是把本团队的分析流程版本化并与数据版本绑定，二是把特征注释结果固化成一张可共享的映射表。这两项都在数据之外，但决定了本集能否在团队内被稳定复用。
编辑说明
核验时间与方式：2026-10-18。以 PhysioNet 发布页正文提取为主要一手来源，以同源多中心研究（Liver International，doi:10.1111/liv.15847）的方法节佐证采集地与病理判读流程，以代谢组平台方法学页佐证检测技术描述。库内查重通过只读 SQL 完成，关键词覆盖 bidmc、metabolom、masld、fatty_liver、nafld，命中三条记录，均经比对排除同实体。
双口径冲突存档：
- DOI：版本 DOI 10.13026/a91p-k288 与最新版本 DOI 10.13026/8qyw-qs62 并存，正文按「版本 DOI 用于方法学、最新版本 DOI 用于参考文献」处理。
- 设计定性：摘要称前瞻横断面，使用说明称部分样本回顾性采集，正文并列陈述不裁决。
- 例数：本集 110 与同源研究的数百例、排除后主分析样本为不同集合，正文在 §1.6 与 §7.2 两处提示不可混用。
- 病理双读与一致率：出自同源多中心研究的通用方法，本集页面未复述，正文在 §5.2 表中据此判为「不是本集证据」。
- 多组学措辞：变更说明用「多组学特征」，实际交付仅代谢组，正文在 §3.7 辨析。
- 文件体积：页面未披露，正文只给量级推定并标注为低可靠性。
未覆盖内容：受试者人口学与临床病理特征、技术质控指标、原始谱图、官方分析代码与基线性能，均不在交付范围，已在附录 D 列出。
下次复核触发条件：版本号变更、许可或协议版本变更、访问政策调整、新增同源出版物披露本集人群构成、平台补充基线或代码。
引用建议：方法学用版本 DOI 加版本号，参考文献可用最新版本 DOI，致谢须包含数据贡献者与平台，并按协议声明研究经贡献者审阅。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- ckm-gut-metagenome — 共享标签：基因组学与多组学 / 代谢组学 / 队列研究
- plasma-metabolome-wgs — 共享标签：基因组学与多组学 / 代谢组学 / 队列研究
- ckb — 共享标签：基因组学与多组学 / 队列研究
- ega — 共享标签：基因组学与多组学 / 队列研究
- pride — 共享标签：基因组学与多组学 / 代谢组学
- proteomexchange — 共享标签：基因组学与多组学 / 代谢组学
- aacr-genie — 共享标签：基因组学与多组学 / 真实世界数据
- metabolights — 共享标签：基因组学与多组学 / 代谢组学
- metabolomics-workbench — 共享标签：基因组学与多组学 / 代谢组学
- all-of-us — 共享标签：基因组学与多组学 / 队列研究
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
