信息速览
大多数数据集页面的开头都在讲「多少样本、多大体量」。这一页要讲的是另一件事：一个装着上千个数据集的容器，如何保证每个都能被准确引用。
DANDI Archive 不是数据集，是档案库。它自己不采集任何一条波形，只做三件事：只收标准格式、给每个数据集铸一个带版本的 DOI、把数据和元数据用两套许可分开管。
听起来是基础设施的常规工作。但真到用的时候，第三件事会救命：它的元数据是 CC0 的。这意味着你可以自由抓取全库的元数据建索引、做检索、训模型，而不碰数据许可。对做 AI 的人来说，这一条比多几百 TB 数据有用得多。
另一个值得先知道的事：**这个库的「规模」查不准。**首页写着 1,059 个 dandiset、922 TiB；同一个站的 API 报 938 或 1,209；论文说 400+；官方教程一年内从 175+ 一路改到 300+。后面 §2 会把实测数据摆出来。
§1 它是什么：一个只收标准格式的容器
1.1 一句话定义与四条边界
这是美国 BRAIN Initiative 资助的神经电生理数据档案库：2020 年上线，由 AWS Open Data 计划承担存储，收录电生理、光生理、行为时间序列与免疫染色图像，每个数据集称 dandiset，强版本化、发 DOI、许可限定在两个 Creative Commons 选项内。
四条边界：
- **不是数据集，是检索层。**里面 1,000 多个 dandiset，主题从海马位置细胞到猕猴工作记忆到小鼠视觉皮层，彼此没有关系。你不会「下载 DANDI」，只会下载其中某一个。
- **不是格式自由的网盘。**格式白名单只有四种：NWB、BIDS、OME-TIFF、OME-Zarr。传一个
.csv上去会被拒。 - **不是完全开放。**数据可以是 OPEN 或 EMBARGO，embargo 最长 6 个月。你在搜索里看到的条目，点进去可能是锁的。
- **不是稳定不变。**draft 状态随时可改。不带版本号的 DOI 引用，等于引用了一个会变的东西。
最后一条是这一页最想强调的。它不是一个技术细节，是一个引用纪律问题。
1.2 为什么会有这么一个库
在 DANDI 之前，神经电生理数据的共享基本靠三种方式：论文附件、作者个人主页、实验室自建服务器。
三种方式都撑不住。原因很朴素：**一次电生理实验的数据量动辄几十 GB 到几 TB，而学术机构的网络与存储不是为分发设计的。**更麻烦的是格式——每个实验室都有自己的 .mat 或 .bin 组织方式，别人拿到也读不了。
BRAIN Initiative 在 2013 年启动后，数据共享成了硬性要求。于是需要两样东西：一个能承载 TB 级数据的公共存储，和一套所有人都能读的格式标准。
NWB（Neurodata Without Borders）是后者的答案，DANDI 是前者的答案。两者是配套的：NWB 定义「文件长什么样」，DANDI 定义「文件放在哪、怎么引用、谁能看」。
这套配套关系决定了 DANDI 的很多设计。比如为什么强制 NWB：因为只有格式统一，库才能自动抽取元数据（物种、脑区、测量技术、受试者数），才能在网页上做结构化检索。格式标准是检索能力的前提。
1.3 时间线与治理
| 节点 | 时间 | 说明 |
|---|---|---|
| 上线 | 2020 | 开始接收 dandiset |
| 首个公开 dandiset | 2020-03-15 | DANDI:000003，Senzai & Buzsáki 海马数据 |
| NWB 2.1+ 强制 | 持续 | 低于此版本不予接受 |
| 现状 | 进行中 | 站点顶部标注 NIH 正在审查该库是否需依联邦行政指令修改 |
最后一行需要单独说。DANDI 首页当前显示一条横幅：「This repository is under review by NIH for potential modification in compliance with U.S. federal Administration directives.」
这句话的含义不明确，但它提示了一个现实风险：**依赖单一资助来源的公共基础设施，其长期可用性并不由技术决定。**如果你打算把 DANDI 当作某个长期项目的唯一数据源，最好同时保留一份本地镜像——这也是它提供 DataLad 超级数据集的原因之一。
1.4 谁在维护
DANDI 是多机构合作项目，核心参与方包括劳伦斯伯克利国家实验室（LBNL）、MIT、CatalystNeuro。技术栈全部开源，GitHub 组织 dandi 下有 67 个仓库，涵盖 API 服务端、命令行客户端、JupyterHub 基础设施、备份工具、书目同步、WebDAV 视图等。
资助期限方面，re3data 的记录写明：NIH 奖项当前到期时间为 2029 年 4 月，版本化条目将在仓库生命周期内保留。
一个值得注意的细节：DANDI 的元数据是公开可收割的，而且他们专门建了 dandi-bib 仓库，把全部 dandiset 的书目同步成 BibTeX/RIS 并推到 Zotero。这是很少见的服务——它把「怎么引用」这件事做到了工具链级别。
1.5 NWB 到底长什么样
要理解 DANDI 的约束，得先知道 NWB 文件里有什么。
NWB 是一个 HDF5（或 Zarr）文件，内部按固定层级组织。顶层有 acquisition 组放原始采集数据，processing 组放派生数据，general 组放元数据，intervals 组放时间区间表。
| 组 | 放什么 | 典型内容 |
|---|---|---|
acquisition |
原始采集数据 | ElectricalSeries（原始电压） |
processing |
派生数据 | DecompositionSeries、LFP、行为特征 |
general |
元数据 | 设备、电极表、受试者信息、实验室 |
intervals |
时间区间表 | 试验（trials）、发作段落（epochs） |
units |
单元（排序后） | 尖峰时间、单元质量、波形 |
**units 这一组是 NWB 里最有辨识度的设计。**它把「spike sorting 之后得到的每个单元」作为一等公民：每个单元有时间戳数组、有质量指标（隔离度、信噪比）、有平均波形、有所属电极。
这解决了电生理数据共享里最麻烦的一个问题：**排序结果怎么跟着原始数据走。**过去往往是原始数据一份、排序结果一份、波形图一张，三者对不上号。NWB 把它们绑进一个文件。
对应地，DANDI 元数据里的 variableMeasured 会出现 Units、SpikeEventSeries、ElectrodeGroup 这些值——**它们是 NWB 的组名，不是描述词。**这也是 §3.3 那个坑的根源。
1.6 为什么不用 CSV 或 Parquet
一个常见的疑问：既然要「AI-ready」，为什么不用表格格式？
三个原因：
**第一，长度不固定。**一次记录可能 30 分钟也可能 8 小时，采样点数在变。表格要求列长一致，要么补齐（浪费几十倍空间），要么切块（丢失边界信息）。HDF5 天然支持变长数组。
**第二，维度不止二维。**电生理是「电极 × 时间」，钙成像是「细胞 × 时间」，还可以是「试验 × 条件 × 时间」的三维结构。表格只能表达二维。
**第三，元数据要跟着数据走。**CSV 只存数据，描述信息得另放一个文件，两者容易走散——传数据时漏传 README 是极常见的事故。NWB 把两者放在同一个文件里，传输时不会只传一半。
代价是可读性差。用 h5py 打开一个 NWB 文件，看到的是一棵 group 树，不是一张表。这就是为什么必须用 PyNWB 这类专用工具。
§2 规模：四个来源，四个数字
2.1 实测
这是本页最重要的一节。2026-10-20 在本环境直接调用公开端点，两次采样（16:20:46Z 与 16:20:48Z）结果完全一致，不是抽样噪声。
| 来源 | 端点 / 位置 | 数字 |
|---|---|---|
| 官网首页实时计数 | dandiarchive.org 首页 |
1,059 dandisets / 1,983 users / 922 TiB |
| API 数据集列表 | GET /api/dandisets/?page_size=1 → count |
938 |
| API 统计端点 | GET /api/stats/ |
dandiset_count 1,209 / published 463 / users 2,225 / size 2,473,094,428,727,923 字节 |
| 同上换算容量 | — | 2,249 TiB（与首页 922 TiB 差 1,327 TiB） |
2.2 把差异拆开看
继续用同一组端点做交叉验证：
| 查询 | count |
含义 |
|---|---|---|
| 默认 | 938 | 「未删的、可列的」dandiset |
&empty=false |
660 | 排除完全没有文件的，即有 278 个 dandiset 一个文件都没有 |
| 首页取 100 条按默认排序 | 其中 52 条有 most_recent_published_version |
约一半仍是 draft，无发布版本 |
这解释了大部分矛盾：
- 1,209（stats）vs 938（列表）：stats 很可能计入了已删除或不可列的条目。
- 1,059（首页） vs 938（API）：首页计数可能包含不同筛选条件，或来自另一份缓存。
- 2,249 TiB（stats）vs 922 TiB（首页）：前者可能是所有版本累计量，后者是当前最新版本量。同一 dandiset 有多个版本时，累计量会远大于当前量。
**三种解释都只是合理推断，DANDI 没有公开口径说明。**这正是问题所在。
2.3 为什么「数一下有多少个」这么难
一般人会想：一个数据库，数一下行数不就行了。实际不是。
第一个原因是什么算一个 dandiset没有唯一定义。一个新建但没传文件的算吗？一个删除了但 DOI 还在的算吗？一个只有 draft 版本的算吗？不同端点给出的答案不同。
第二个原因是页面的实时计数和 API 的计数可能来自不同的数据源。首页那个 1,059 很可能是从统计服务读的缓存值，而 /api/dandisets/ 走的是主库查询。两者的更新节奏不同步。
第三个原因是多版本会放大差异。一个 dandiset 有 20 个版本，在「数据集个数」里算 1，在「累计发布次数」里算 20。/api/stats/ 的 2,249 TiB 与首页的 922 TiB 差了 1,327 TiB，量级上正好可能是「历史所有版本之和」与「当前版本之和」的差别。
**结论不是「DANDI 数据不准」，而是「DANDI 的规模是一个多义量」。**在别的平台也一样：PhysioNet 从不公布总数，因为「算一个数据库还是算一个子库」本身就没定义。
2.4 官方文档的说法也在变
| 时间 | 来源 | 表述 |
|---|---|---|
| 2024-02 | COSYNE 教程 | 175+ 个公开数据集，来自 100+ 实验室 |
| 2024-07 | NeuroDataReHack 教程 | 199+ |
| 2024 春 | NWB Newsletter | 230+ |
| 2025-03 | COSYNE 教程 | 300+ TB / 300+ 数据集，150+ 实验室 |
| 2025-07 | Magland 等预印本 | 400+ 数据集 / 350+ TB / 20+ 物种 |
| 2025-10-28 | GitHub dandi/dandisets 抓取 |
1010 Dandisets / 905.7 TB |
| 2025-12-01 | 同上，另一次抓取 | 1024 Dandisets / 913.0 TB |
| 2026-10-20 | 本环境实测 | 见 §2.1 |
**两年内从 175+ 涨到 1,000+，增长曲线本身是可信的。**但每一次引用都要问：这个数字是什么时候的、从哪个端点取的。
2.5 引用纪律：怎么写才不算错
不要写「DANDI 有 1,000 个数据集」。写：
截至 2026-10-20，DANDI 官网首页显示 1,059 个 dandiset、922 TiB；同日调用
/api/dandisets/返回 938 条，/api/stats/返回 1,209 条（其中 463 条已发布）。三个口径的来源与定义未在官方文档中说明。
这段话比一个整数长，但它是唯一可复现的写法。别人按你给的端点重跑，能拿到同样的数。
§3 数据标准：四种格式和一条硬校验
3.1 白名单
| 数据类型 | 强制标准 | 底层格式 |
|---|---|---|
| 细胞神经生理学（胞内/胞外电生理、光生理） | NWB 2.1+ | HDF5 或 Zarr |
| 神经影像（MRI、EEG 等） | BIDS | NIfTI / JSON / TSV |
| 显微图像 | OME-TIFF | TIFF |
| 显微图像（云优化） | OME-Zarr | Zarr |
政策原文很清楚：DANDI 只接受使用标准化格式（NWB、BIDS、NIDM 及其他 BRAIN Initiative 标准）的数据。
3.2 上传前的强制闸门
这一步很关键，也很容易被跳过：
pip install -U nwbinspector
nwbinspector --config dandi <你的 NWB 文件夹>
--config dandi 会按 DANDI 的严格档位检查。标为 CRITICAL 及以上的问题会直接阻断上传——不是警告，是拒绝。
常见的 CRITICAL 项包括：缺少必填元数据字段、时间戳不单调、ElectricalSeries 的电极表与实际数据维度不符。
这一条对下游的价值被低估了。**它意味着 DANDI 上的 NWB 文件在元数据完整性上有最低保证。**你从别处拿到的 NWB 文件可能缺一堆字段，从 DANDI 拿到的至少过了这道闸。
3.3 一个容易踩的点：variableMeasured 不是变量名
看元数据时会看到 variableMeasured 字段，里面写的是 ElectricalSeries、Units、SpatialSeries、ElectrodeGroup 这类词。
它们不是自由文本的变量名，而是 NWB 的 neurodata type 名。这个区别很重要：
- 如果你要做元数据检索，得按 NWB 类型体系查，不能按关键词搜「spike」
- 如果你要写元数据，必须用这些受控词，不能自己编
同一个字段 measurementTechnique 里也是受控词，如 spike sorting technique、surgical technique、multi electrode extracellular electrophysiology recording technique。
**DANDI 的元数据是可查询的结构化数据，不是自然语言描述。**把它当描述来读，会读错。
3.4 版本语义：这是 DANDI 最值得学的设计
每个 dandiset 有唯一标识 DANDI:000NNN（六位补零）。发布后铸 DOI：
10.48324/dandi.000728/0.240827.1809
↑ ↑
dandiset ID 版本号（0.YYMMDD.HHMM）
三个状态要分清：
| 状态 | 有 DOI | 可变 | 用途 |
|---|---|---|---|
| draft | 否 | 是，贡献者随时可改 | 上传中、整理中 |
| published | 是 | 否（新改动产生新版本） | 正式引用 |
| 多版本 | 各版本独立 DOI | 旧版本冻结 | 可复现性锚点 |
**这意味着「引用 DANDI:000728」是不够的，必须带版本号。**否则半年后别人按你的引用去取，拿到的是另一个版本的数据。
这在医学数据里尤其要紧：如果某个 dandiset 后来修正了标注错误，旧版本的分析结果就无法复现了。版本号是唯一能让你回到「当时那份数据」的把手。
3.5 上传侧：一条完整链路长什么样
反向看一遍，能更清楚地理解这些约束为什么这么硬。
| 步骤 | 工具 | 会不会卡住 |
|---|---|---|
| 1. 注册 | GitHub 账号 → DANDI | 24 小时激活 |
| 2. 新建 dandiset | Web 界面，填名称与描述 | 立即分配 DANDI:000NNN |
| 3. 转 NWB | NeuroConv / 自写转换 | 最容易卡住的一步 |
| 4. 校验 | nwbinspector --config dandi |
CRITICAL 项直接阻断 |
| 5. 上传 | dandi upload |
单文件 >5 TB 会失败 |
| 6. 验证 | Web 界面检查资产列表与元数据 | — |
| 7. 发布 | dandi publish |
铸 DOI，版本号冻结 |
第 3 步是真正的瓶颈。NeuroConv 能自动处理常见格式（Open Ephys、Intan、Neuralynx、TDT、Blackrock 等），但一旦遇到自建设备的输出，就得从头写。
第 4 步值得单独说：nwbinspector 报的问题分档，--config dandi 用的是 DANDI 的严格档。常见的阻断项包括：ElectricalSeries 缺 electrodes 表、时间戳非单调递增、subject 缺 species、session_start_time 格式错误。
**这些在别的平台只是警告，在 DANDI 是拒绝。**这道闸是它能保证下游可用的原因，也是很多人第一次上传失败的原因。
§4 许可与访问：两套许可，两套规则
4.1 数据许可只有两个选项
| 许可 | 允许什么 | 要求 |
|---|---|---|
| CC-BY-4.0 | 共享、改编、重混、商用 | 署名 + 标注改动 |
| CC0-1.0 | 任何用途，无限制 | 无 |
DANDI 不再接受其他许可。所有 dandiset 必须在这两个里选一个。
4.2 元数据是 CC0 的——这是关键
政策原文：
Metadata records, provided by the users or extracted from the assets, are licensed under CC0. All metadata is made publicly available and can be harvested.
把它翻译成实际含义：
- 你可以自由抓取全库元数据，建索引、做检索、训模型、再分发，不受 CC-BY 的署名义务约束
- 但数据本体仍受原作者选的许可约束
- 所以「DANDI 全部内容都是 CC0」是错的；「DANDI 的元数据是 CC0」是对的
对做 AI 的人，这条区分决定了一件事：**你可以用元数据训练一个「数据集检索器」或「数据推荐模型」，完全合规。**但你不能用别人 CC-BY 的数据训完模型就宣称无义务。
4.3 访问层级与 embargo
| 状态 | 可见性 | 期限 |
|---|---|---|
OPEN |
任何人可下载 | — |
EMBARGO |
仅贡献者与其授权协作者 | 最长 6 个月 |
embargo 到期时间取三者最早：提交者给定日期、使用该数据的首次发表、资助结束。到期自动公开。
6 个月这个上限来自 BRAIN Initiative 的数据共享政策，不是 DANDI 自己定的。它比很多期刊的 embargo 短得多，这是 BRAIN Initiative 政策的一个实际效果。
4.4 容量与费用
| 项 | 限制 |
|---|---|
| 单文件大小 | ≤5 TB |
| 总量 | 不限，但 >10 TB 需先联系团队 |
| 存储费用 | 免费（AWS Open Data 承担） |
| 账号 | GitHub 账号注册，激活 24 小时内 |
单文件 5 TB 这个限制比想象中更容易碰到。一次长时间的高密度电极记录（如 Neuropixels 多探针连续记录）单文件就可能到 TB 级。超限只能切块，而切块之后跨块的会话重建责任落在下游。
4.5 内容可以被移除，DOI 会被撤销
政策里有一条容易被忽略：
Content not considered to fall under the scope of the repository can be removed and associated DOIs issued by DANDI revoked.
**DOI 不是永久的。**如果内容被判定超出范围（比如违反隐私或版权），DANDI 可以删数据并撤销 DOI。
这与 DataCite 的宣传语「永久标识」有张力。实际含义是：DOI 保证「只要数据在，这个链接就指向它」，不保证「数据永远在」。
引用一份 DANDI 数据做长期研究时，这一点值得记在心里。
§5 平台能力：它比网盘多了什么
5.1 DANDI Hub：免费的云端算力
这是 DANDI 区别于普通档案库的最大一点。
DANDI Hub 是一个 JupyterHub 实例，特点是高带宽直连档案库数据——不用先把几 TB 下到本地再算，计算节点就在存储旁边。支持 Python / R / Julia notebook、终端、甚至 Linux 桌面。
而且免费。这对没有集群的小实验室是实质性的门槛降低：你不需要买 20 TB 存储，也不需要租云主机，浏览器打开就能分析。
对照一下：如果自己搭，一次 1 TB 数据的下载 + 存储 + 算力，成本在几百到上千美元量级，还不算运维时间。
5.2 完整的访问工具链
| 工具 | 形态 | 适合什么 |
|---|---|---|
| Web 界面 | 网页搜索 + 详情页 | 找数据、看元数据 |
dandi CLI |
pip install -U dandi |
批量下载、上传 |
| REST API | https://api.dandiarchive.org/api/ |
程序化检索 |
| DataLad 超级数据集 | dandi/dandisets git-annex |
按需拉取、版本控制 |
dandidav |
WebDAV | 挂载成网盘 |
| Neurosift | Web，流式读取 | 快速看一眼波形/成像 |
| LINDI | Python，把 NWB 表示为单个 JSON | 云端按需读取，不整文件下载 |
| Dendro | 库，自动批处理 NWB | 流水线化 |
**其中 LINDI 值得单独提一句。**NWB 是 HDF5，HDF5 的随机访问在网络上表现很差——你想看第 10,000 个时间点的数据，可能要先下载整个 dataset。LINDI 把 NWB 结构表示成一个 JSON 指针文件，指向云端分块存储，做到「只读你要的那一块」。
对一个 5 TB 的 dandiset，这个区别是从「下载一天」到「秒开」。
5.2.1 这些工具解决的是同一件事的不同侧面
把它们摆在一个坐标系里，会看得更清楚：
| 工具 | 解决什么 | 用在哪一步 |
|---|---|---|
| Web 界面 | 发现与浏览 | 找 |
| REST API | 程序化发现 | 找 |
| CLI | 批量搬运 | 取 |
| DataLad | 版本化镜像 | 存 |
| LINDI | 按需读单点 | 读 |
| Neurosift | 看一眼波形/图像 | 看 |
| DANDI Hub | 在数据旁边算 | 算 |
| Dendro | 把「算」写成流水线 | 复用 |
**八个工具，覆盖「找、取、存、读、看、算、复用」七个动作。**这是 DANDI 区别于普通仓库的地方——它不只提供存储，还提供了一条从检索到复算的完整路径。
对比一下：一个只提供下载链接的仓库，你在这条路径上每一步都要自己搭。搭一次几十小时，每换一个项目再来一遍。
5.3 2025 年的新东西：LLM 工具链
Magland 等在 2025 年做了一个针对 DANDI 的 AI 助手，包含两部分：
- agentic 聊天助手：用自然语言问「哪些数据集有海马位置细胞数据」，助手会调 API、筛元数据、给建议
- notebook 自动生成管线：分析数据集结构，生成一份能跑的 Python notebook，包含读取、可视化、初步分析
他们在 12 个近期数据集上评测，神经生理数据专家的评价是「generally accurate and well-structured」，多数 notebook 被评为「very helpful」。
这件事的意义不在工具本身，在于它揭示了 DANDI 的一个特殊优势：**因为格式统一、元数据结构化，AI 才可能自动理解它。**换成一个格式五花八门的仓库，同样的助手做不出来。
**格式标准化的复利。**当年强制 NWB 是个有争议的决定（大量实验室要重写转换脚本），但八年后，它让自动化分析成为可能。基础设施的收益往往要等一个技术周期才显现。
§6 六个具体 dandiset 拆开看
抽象的「上千个数据集」没有信息量。这一节挑几个真实条目拆开，看同一个库里差异能有多大。
6.1 四组对照
| 标识 | 主题 | 受试者 | 文件数 | 体量 | 许可 |
|---|---|---|---|---|---|
| DANDI:000003 | 海马颗粒细胞与苔状细胞（Senzai & Buzsáki, Neuron 2017） | — | — | — | — |
| DANDI:000221 | 中脑-丘脑-皮层环路驱动运动（Inagaki & Chen 等） | 44 只小鼠 | 263 | 4.4 GB | — |
| DANDI:000620 | 猕猴前额叶多目标工作记忆（Watters 等） | 2 只猕猴 | 142 | 5.5 TB | CC-BY-4.0 |
| DANDI:000728 | Allen Institute 视觉编码 · 光生理 | 数百 | — | — | — |
第三行和第四行摆在一起，是这个库最反直觉的地方：
000620 只有 2 只动物，却有 5.5 TB；000221 有 44 只动物，只有 4.4 GB。
体量差 1,250 倍，样本量差 22 倍，方向相反。
6.2 这个反差说明什么
体量反映的是记录密度，不是样本量。
000620 是猕猴前额叶 Neuropixels 类记录，单次会话的通道数、采样率、连续记录时长都很高，2 只动物做了大量会话，每个会话都是完整的宽带记录。所以是「少个体、深采样」。
000221 是 44 只小鼠的环路研究，可能每只只做几次短记录，重点在群体统计。所以是「多个体、浅采样」。
这两类数据回答的是完全不同的问题：
| 类型 | 适合 | 不适合 |
|---|---|---|
| 少个体深采样（000620） | 单神经元级解码、群体编码结构、跨会话稳定性 | 统计推断、个体差异分析 |
| 多个体浅采样（000221） | 群体统计、环路一致性、效应量估计 | 单细胞精细建模 |
**如果你的任务是「训练一个泛化到新个体的模型」，选错类型会直接失败。**2 只动物的数据再大，也训不出泛化能力。
6.3 元数据里能读出多少
以 000221 的元数据实例为例，能读到的结构化字段包括：
| 字段 | 值 |
|---|---|
identifier |
DANDI:000221 |
dateCreated |
2022-02-01 |
datePublished |
2022-03-07 |
assetsSummary.species |
Mus musculus - House mouse（附 NCBITaxon 标识） |
assetsSummary.approach |
electrophysiological approach |
assetsSummary.dataStandard |
Neurodata Without Borders (NWB)（附 RRID:SCR_015242） |
assetsSummary.numberOfBytes |
4,422,550,232 |
assetsSummary.numberOfFiles |
263 |
assetsSummary.numberOfSubjects |
44 |
assetsSummary.variableMeasured |
SpikeEventSeries / ElectrodeGroup / Units |
assetsSummary.measurementTechnique |
spike sorting technique / surgical technique |
publishedBy |
DANDI publish，附软件版本 0.1.0 与 RRID:SCR_017571 |
**这张表本身就是 DANDI 的核心价值展示：**物种带本体标识、数据标准带 RRID、软件带版本号、字节数精确到个位。
这意味着你可以写一个程序，自动筛「所有小鼠、做过 spike sorting、超过 40 只受试者、NWB 标准」的数据集——不需要读任何一篇论文的方法部分。
在别的地方，这些信息散落在 PDF 里，靠人读。
6.4 但元数据不能告诉你的事
同一份元数据不会告诉你：
- 记录质量的实际情况（信噪比、单元稳定性）
- 标注是否可靠（谁标的、几人复核）
- 实验是否存在未报告的排除
- 数据是否已被后续更正（除非看版本历史）
这些必须回到原始论文。元数据解决的是「找得到」，不解决「信得过」。
6.5 三个真实的选型场景
把上面这些拼成实际决策，看三种常见需求该怎么选。
场景一：要训一个「神经解码」模型
- 需要：多只动物、多个会话、同一任务的重复记录
- 该看：
assetsSummary.numberOfSubjects（至少 10 只）、approach含 behavioral - 该避开：单只或 2 只动物的深采样数据集——再大也训不出泛化
- 典型选择：多个体浅采样的行为电生理集合，宁可单条记录短一些
场景二：要复现某篇论文的图
- 需要：论文对应的那个确切版本
- 该看：
most_recent_published_version的版本号，对照论文的「Data availability」段 - 该避开：任何 draft 状态
- 关键动作：把版本号抄进你的方法部分，否则半年后无法复现
场景三：要做跨数据集元分析
- 需要：同质性高的标注与实验范式
- 该看：
measurementTechnique、protocol、keywords是否一致 - 该避开：格式统一但实验范式各异的数据集——NWB 统一了容器，没统一内容
- 关键认知：一千个 NWB 文件不等于一千个可比的数据集
**场景三最容易出错。**很多人看到「都是 NWB」就以为可以直接拼起来训，结果发现一个用 10 秒试次、另一个用 2 秒试次，一个奖励是水、另一个是空气，标签体系完全对不上。
**格式统一只保证「读得进来」，不保证「拼得起来」。**后者要自己核对实验设计。
§7 常见误读与引用陷阱
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| 「DANDI 是一个数据集」 | 它是上千个异构数据集的联邦，无统一标签、无统一切分、无统一基准 | dandiarchive.org |
| 「DANDI 有 1,000 个数据集」 | 同日不同端点给出 938 / 1,059 / 1,209；必须标注端点与日期 | 本页 §2 实测 |
| 「全部数据都是 CC0」 | 数据本体只能是 CC-BY-4.0 或 CC0-1.0；只有元数据强制 CC0 | DANDI 数据许可政策 |
| 「DOI 是永久的，数据会一直在」 | 超出范围的内容可被移除，DOI 随之撤销 | DANDI General Policies |
| 「引用 DANDI:000728 就够了」 | 必须带版本号，draft 随时可改；正确形式是 DOI 带版本后缀 | 版本机制说明 |
| 「NWB 是个压缩包，解压就行」 | NWB 是 HDF5/Zarr，无法用表格工具直读，须经 PyNWB / MatNWB / SpikeInterface / Pynapple | NWB 标准文档 |
| 「搜到的都能下载」 | 可能是 EMBARGO 状态，最长 6 个月不可见 | 访问政策 |
| 「可以传 CSV」 | 格式白名单只有 NWB / BIDS / OME-TIFF / OME-Zarr，其余拒绝 | 内容政策 |
| 「DANDI 上的数据经过质量审核」 | 政策原文「All data are provided ‘as-is’」，只保证格式合规，不保证科学质量 | General Policies |
| 「storage 免费，所以可以随便传」 | 单文件 ≤5 TB，>10 TB 需先联系；且「免费」依赖 AWS Open Data 计划持续 | re3data 记录 |
§8 怎么用：七步
8.0 六个高频坑点
坑点 1：把 draft 版本的数据用在论文里
- 问题：搜索结果默认可能指向 draft，贡献者随时可改。
- 症状：三个月后别人按你的引用取数，拿到的内容变了，结果无法复现。
- 解决：引用前确认该 dandiset 有
most_recent_published_version，用带版本号的 DOI。 - 参考：DANDI 文档明确「the most recent ‘draft’ state of the Dandiset is used by default and is subject to change」。
坑点 2：用 pandas 直接读 NWB
- 问题：NWB 是 HDF5/Zarr，不是表格。
- 症状：报错，或者读出来是一堆嵌套 group 的句柄。
- 解决：用 PyNWB（
NWBHDF5IO）或 Pynapple / SpikeInterface 的封装读取器。 - 参考：NWB 标准文档。
坑点 3：以为 variableMeasured 是自由文本
- 问题：里面的值是 NWB neurodata type 名，受控词表。
- 症状：按关键词搜「spike」搜不到，因为实际值是
Units。 - 解决：查 NWB 类型体系，或先用一次宽查询看实际取值分布。
- 参考：
/api/dandisets/000221/versions/...的元数据实例。
坑点 4：忽略 assetsSummary 与实际文件不一致
- 问题：
assetsSummary是贡献者填的元数据，可能滞后于实际资产。 - 症状：元数据写「2 个受试者、142 个文件」，下载后文件数对不上。
- 解决：以
GET /api/dandisets/{id}/versions/{v}/assets/的实际返回为准。 - 参考：API 结构。
坑点 5：把元数据的 CC0 当成数据的 CC0
- 问题：只看到「CC0」就以为数据可随意商用。
- 症状：用了 CC-BY-4.0 的数据而不署名，构成违约。
- 解决：分开看两个许可：
license字段是数据许可，元数据许可恒为 CC0。 - 参考：DANDI 数据许可政策。
坑点 6：以为 DANDI 会做科学质量审核
- 问题：过了
nwbinspector闸门只说明格式合规，不说明数据正确。 - 症状：拿到标注错误的 dandiset，模型学偏了。
- 解决：每个 dandiset 都要看它对应的原始论文，自己评估标注质量。
- 参考：政策原文「All data are provided ‘as-is’, and the user shall hold DANDI and data providers… free and harmless」。
8.1 第一步：明确你要的是「检索」还是「下载」
这两个任务的路径完全不同：
- 检索：用
/api/dandisets/加过滤参数，或直接抓元数据（CC0，可自由收割） - 下载：
dandi download DANDI:000728/0.240827.1809，必须带版本
如果只是想统计「有多少个数据集做的是海马」，别下载任何数据——抓元数据就够，几百 MB。
8.2 第二步：确认版本状态
# 看这个 dandiset 有没有发布版本
curl -s https://api.dandiarchive.org/api/dandisets/000728/ | python3 -m json.tool | head -30
关键字段 most_recent_published_version。为 null 说明只有 draft，不要用在需要复现的工作里。
8.3 第三步：按元数据做结构化筛选
DANDI 的检索能力来自那几个受控字段。一个实用的筛选脚本：
import json, urllib.request
def page(url):
with urllib.request.urlopen(url, timeout=40) as r:
return json.load(r)
base = "https://api.dandiarchive.org/api/dandisets/?page_size=100"
hits = []
while base:
d = page(base)
for ds in d["results"]:
v = ds.get("most_recent_published_version")
if not v:
continue # 跳过纯 draft
hits.append({
"id": ds["identifier"],
"name": v.get("name", ""),
"version": v.get("version"),
})
base = d.get("next")
print(len(hits), "个有发布版本")
注意这里故意只统计有发布版本的。按 §2.2 的实测，默认列表里约一半是 draft，如果不过滤，「有多少数据集」这个数会虚高近一倍。
8.4 第四步：从元数据里读出数据的真实形态
一个 dandiset 的元数据里有几处直接决定你能否用：
| 字段 | 决定什么 |
|---|---|
assetsSummary.dataStandard |
是 NWB 还是 BIDS，决定读法 |
assetsSummary.species |
跨物种研究时必看 |
assetsSummary.numberOfSubjects |
样本量，可能是 2 也可能是 44 |
assetsSummary.numberOfBytes |
几十 MB 到几十 TB，跨度极大 |
assetsSummary.measurementTechnique |
决定能否回答你的问题 |
approach |
electrophysiological / behavioral / optical |
举个真实对照：dandiset 000620（猕猴多目标工作记忆）142 个文件 / 5.5 TB / 2 只受试；dandiset 000221（中脑-丘脑-皮层环路）263 个文件 / 4.4 GB / 44 只受试。
**一个 5.5 TB 只有 2 只，一个 4.4 GB 有 44 只。**如果要做统计，后者更合适；如果要找单细胞级精细记录，前者。
8.5 第五步：优先用流式读取，不要全量下载
# 推荐：LINDI / Neurosift 式按需读取
# 一个 5 TB 的 dandiset，全量下载要一天；读其中 1% 只要几秒
# 传统方式（不推荐先做）
# dandi download DANDI:000620 # 5.5 TB
判断标准很简单：如果你的分析只看特定时间窗、特定通道、特定单元，就没有理由先下全量。
8.6 第六步：注意 5 TB 单文件上限的分块
超大数据集会被切成多个 NWB 文件。切法由贡献者决定，可能按 session、按探针、按时间片。
**你必须先搞清楚切分维度，才能正确拼接。**看文件路径模式就能判断：
sub-691657859/sub-691657859_ses-712919679-StimB_ophys.nwb
sub-501800590/sub-501800590_ses-509522931-StimC_ophys.nwb
这个例子是按 subject / session 切。如果同一个 session 被切成多片，文件名里通常有 _part 或序号后缀。
8.7 第七步：引用时写全四件事
- dandiset 标识（
DANDI:000728） - 版本号（
0.240827.1809） - DOI（
10.48324/dandi.000728/0.240827.1809） - 访问日期
DANDI 官方提供 BibTeX 导出（dandi-bib 仓库），可以直接用。不要手写引用格式。
8.8 一份完整的读取示例：从 dandiset 到张量
上面七步都是决策。这一节给一段能直接跑的最小代码，把「拿到一个 dandiset 并读出可用张量」这条路走通。
from dandi.dandiapi import DandiAPIClient
import pynwb
from pynwb import NWBHDF5IO
dandiset_id = "000221"
version_id = "0.220307.1320" # 必须带版本，不要省略
with DandiAPIClient() as client:
ds = client.get_dandiset(dandiset_id, version_id)
assets = list(ds.get_assets())
print("资产数:", len(assets))
# 只取前一个文件做示例：先生成下载 URL，不整库下载
first = assets[0]
url = first.get_content_url(follow_redirects=1, strip_query=True)
print("首个资产:", first.path)
# 落地单个 NWB 文件
ds.download_file(first.path, f"/tmp/{first.path.split('/')[-1]}")
io = NWBHDF5IO(f"/tmp/{first.path.split('/')[-1]}", "r")
nwb = io.read()
print("会话描述:", nwb.session_description)
print("受试者:", nwb.subject.subject_id if nwb.subject else None)
print("电极组:", list(nwb.icephys_electrodes.keys()) if hasattr(nwb, "icephys_electrodes") else "—")
for name, es in nwb.acquisition.items():
print(f"{name}: shape={es.data.shape}, rate={es.rate} Hz, unit={es.unit}")
io.close()
这段代码里有三处是必须注意的：
第一，version_id 是必填参数。get_dandiset 不传版本时会默认取 draft，而那可能已经在别人手里改过了。这不是可选的严谨，是正确性的前提。
第二，先拿 URL 再决定下不下。get_content_url 让你可以在真正下载前先看文件大小、路径、类型。对 5 TB 级的 dandiset，这一步能省掉一天的等待。
**第三，es.rate 必须读，不能假设。**同一个 dandiset 里不同 session 的采样率可能不同，硬编码 30 kHz 会在某个文件上算出错误的时间轴。
8.9 常见的成本估算
把 DANDI 当数据源做项目，实际成本大概是什么量级。
| 环节 | 时间成本 | 说明 |
|---|---|---|
| 检索与筛选 | 半天 | 用 API 筛元数据，不用下载 |
| 下载（单 dandiset，100 GB 级） | 2–6 小时 | 取决于带宽；用 DANDI Hub 可跳过 |
| 格式学习 | 1–2 天 | 第一次用 PyNWB 需要熟悉层级 |
| 预处理 | 1–5 天 | 滤波、重参考、切分、对齐试验表 |
| 标注核对 | 视数据集而定 | 若有 units，省很多事；若只有原始电压，要自己跑排序 |
**最大的隐性成本是「预处理」那一行。**DANDI 帮你解决了「拿到正确格式的文件」，但没有解决「把它变成模型能吃的张量」。这一步每个项目都要重做，而且往往占据整个周期的三分之一以上。
这也是为什么 DANDI Hub + Dendro 这套组合值得重视：它们把「处理流程」也搬到了数据旁边，让别人能复用你的预处理代码。
§9 它在生态里的位置
9.1 与 OpenNeuro 的分工
| 维度 | DANDI | OpenNeuro |
|---|---|---|
| 侧重模态 | 电生理、光生理、行为 | MRI、MEG、EEG（fMRI 为主） |
| 格式 | NWB 为主，BIDS 为辅 | BIDS 强制 |
| 版本机制 | 强版本化，每版本独立 DOI | 有快照（snapshot）机制 |
| 存储 | AWS，免费 | AWS，免费 |
| 关系 | 二者互补 | NEMAR 在 OpenNeuro 之上做 MEG/EEG 分析层 |
两者的分工基本按模态划：**细胞级神经生理去 DANDI，宏观神经影像去 OpenNeuro。**边界地带（如人类颅内 EEG）两边都可能有。
9.2 与 PhysioNet 的对比
PhysioNet 是最老的医学信号库，走的是完全不同的路线：老派、开放、无版本强制。
| 维度 | DANDI | PhysioNet |
|---|---|---|
| 格式 | 强制标准（NWB/BIDS） | 自由（WFDB、EDF、CSV 都行） |
| 版本 | 强版本 + DOI | 部分有 DOI，多数无版本 |
| 元数据 | 结构化、受控词、CC0 可收割 | 描述性、各库不一 |
| 准入 | 需注册，格式校验严格 | 多数直接下载 |
| 规模 | 千级数据集，PB 级 | 数百数据集，TB 级 |
**一句话对比：PhysioNet 是「能拿到就行」，DANDI 是「拿到的一定能读」。**后者门槛高，但换来了自动化和可复现。
9.3 与国内数据平台的差异（使用视角）
从「能不能直接被 AI 用」这个角度看，DANDI 有三个特征比较少见于同类平台：
- 元数据 CC0 可收割：允许第三方建索引、做聚合，不设卡
- 版本号进入引用格式：不是附加建议，是 DOI 的一部分
- 上传前强制校验：不是事后抽查，是阻断式闸门
这三条的共同点是：把「可复现」写进了机制，而不是写在倡议里。
对使用者最直接的好处是：你引用一份 DANDI 数据时，不需要额外做很多说明，机制层面已经替你把话说清楚了。
9.4 一个真实的对比：同一份数据放在三个平台上
假设一份 500 GB 的小鼠视觉皮层电生理数据，分别上传到三个平台，用户拿到手的体验差别如下。
| 环节 | DANDI | OpenNeuro | 通用网盘 / 实验室页面 |
|---|---|---|---|
| 找到它 | API + 元数据筛选 | 网页搜索 | 靠论文里的链接 |
| 判断能不能用 | 元数据字段齐全（物种、技术、受试者数） | 元数据较全 | 读论文方法部分 |
| 版本确认 | DOI 带版本号 | 有快照 | 无，可能已更新 |
| 下载方式 | CLI / API / DataLad / Hub | CLI / API | 浏览器直下 |
| 读文件 | PyNWB | MNE-BIDS | 自己写解析 |
| 引用 | 官方 BibTeX | 官方引用格式 | 手动拼 |
| 三年后还能拿到吗 | 取决于资助，但有 DataLad 镜像 | 较稳 | 大概率失效 |
这张表里最容易被低估的是最后一行。
学术数据最常见的死法不是被删除，是「链接还在但文件没了」——实验室服务器换代、作者毕业、项目结题。DANDI 并不能完全避免这件事，但它提供了一条可操作的兜底路径：DataLad 超级数据集允许任何人把全库镜像到本地。
**「可以镜像」这个能力，本身就是对持久性的承诺。**一个不允许镜像的平台，你只能信任它；一个允许镜像的平台，你可以自己兜底。
9.5 一个使用者的现实判断
综合上面这些，给一个直白的建议：
- 要做一个能发表的分析：用 DANDI，标版本号，本地留一份镜像。
- 要快速验证一个想法：用 DANDI Hub，连数据都不用下。
- 要做产品级数据处理：先小样本试通，再决定是全量下载还是流式读取——5 TB 的差别在成本上很实在。
- 要引用 DANDI 本身：引用它的论文（Rübel 等 2022），不要引用首页的计数。
再补一条判断标准，用来区分「该用」和「不必用」：
如果你的问题里有一个「哪些」——哪些数据集做过某任务、哪些有某脑区、哪些样本量够——DANDI 几乎是目前最省力的答案。
**如果你的问题里只有一个「那份」——就是要用某一篇论文的那一份数据——直接照论文的数据可用性声明去拿，不必绕道 DANDI。**绕过去反而多一层：你还得先确认那篇论文是否真的提交了、版本对不对、是不是 draft。
这个区分看似细枝末节，实际决定了你在检索上花半小时还是半天。
§10 一个更宽的问题：档案库的寿命
10.1 三个数字背后的事
回头看 §2 那组对不上的数字。它们表面上是一个文档问题，实际指向一个更根本的事实：这个库还在快速生长，而它的描述文字还没跟上。
两年从 175+ 涨到 1,000+，意味着平均每周新增八九个数据集。在这种速度下：
- 任何静态文档都会迅速过期
- 首页计数、API 计数、统计端点各自演进，必然错位
- 「规模」这个词本身变得不稳定
这不是 DANDI 独有的问题。任何高速生长的数据库都会经历这个阶段。但它对使用者的暗示很具体：别把「规模」当作选型依据。
一份 400 个数据集但每个都带完整元数据的库，比一份 1,000 个但一半是空壳的库更有用。而 DANDI 同时具备这两个特征——它的 938 个列表项里，278 个完全没有文件。
看「有效的」而不是「登记的」，是这类平台的通用阅读法。
10.2 依赖单一基础设施的风险
DANDI 首页那条 NIH 审查横幅，值得所有使用者认真看一遍。它提示的是一个很实际的问题：**学术基础设施的存续不取决于技术水平，取决于资助周期。**re3data 的记录写明当前 NIH 奖项到 2029 年 4 月，版本化条目将在仓库生命周期内保留——但「仓库生命周期」本身没有定义。
这话听着抽象，落到操作上很具体。假设你现在用 DANDI 上一份数据做博士课题，五年后论文要复现，你得能回答：那份数据还在吗？如果不在，我手上有副本吗？
对这个库的合理态度是：
| 态度 | 具体做法 |
|---|---|
| 短期（1-3 年） | 可以放心依赖，工具链成熟 |
| 中期（3-5 年） | 关键数据保留本地镜像（DataLad 就是为此而生） |
| 长期（5 年以上） | 不把唯一副本放在任何单一平台上 |
DataLad 超级数据集的存在本身就是这个风险的答案：它让你可以把整个库镜像成本地 git-annex 仓库，按需拉取，不占满磁盘。这不是应急方案，是设计时就考虑到的出路。
一个值得注意的细节：DANDI 的 GitHub 组织里有专门的 backups2datalad、s3invsync、backup-status 仓库。**它把自己的备份状态做成了公开可查的服务。**这种「把脆弱性摊开给人看」的做法，在基础设施项目里并不常见。
DataLad 超级数据集的存在本身就是这个风险的答案：它让你可以把整个库镜像成本地 git-annex 仓库，按需拉取。
10.3 对 AI-ready 的真实含义
如果要用一句话概括 DANDI 对「AI-ready」的贡献：
它证明了「标准化 + 版本化 + 元数据开放」这三件事合起来，能让一个仓库从「文件堆」变成「可编程的数据基础设施」。
拆开说三条各自的作用：
标准化解决的是「能不能被程序读」。没有 NWB，每个数据集都要写一个适配器；有了 NWB，一次 PyNWB 就够。
版本化解决的是「读完还是不是同一份」。没有版本号，你今天训的模型明年无法归因；有了版本号，引用即锚定。
元数据开放（CC0）解决的是「能不能被程序找」。数据许可可以有限制，但索引层必须自由，否则谁也建不了上层检索。
**三条缺一条，这套东西就退化成普通网盘。**只有标准化没有版本化，你拿到的是一堆读得懂但会变的数据；只有版本化没有标准化，你拿到的是一堆锁得住但读不了的数据；只有元数据开放而没有前两条，你拿到的是一张漂亮的书目，点进去是 404。
对比一下反例：一个格式自由、无版本、元数据是 PDF 的仓库，即使数据量更大，也很难被自动化消费。你每用一个数据集都要人工读文档、写适配代码。
**AI-ready 的成本大头不在模型，在数据侧的规范化。**DANDI 用八年代价换来了这件事，这大概是本页最值得带走的一条。
10.4 反过来看：什么情况下 DANDI 不是好选择
前面讲的都是它的好。为了不失衡，也要说清楚什么时候别用它。
第一种：你要的是单一、干净、标注完备的数据集。
DANDI 是联邦，它的价值在「多」。如果你只需要「一份高质量的癫痫脑电」，去 TUSZ 或 CHB-MIT 更快——那里的标注是统一的、口径是一致的。在 DANDI 里你得自己找、自己核、自己对齐。
第二种：你的任务需要跨数据集一致的标签。
DANDI 统一了容器，没统一内容。一千个 dandiset 有一千种实验设计、一千套事件标注。做跨集训练时，“怎么把不同实验的 trial 定义对齐” 这个问题不会有任何现成答案。
第三种：你要跑的是传统机器学习管线。
如果你的方案是「CSV → sklearn → 交叉验证」，NWB 的嵌套结构会带来纯粹的负担。你得先写一层转换，把它拍平成表。这种情况下 PhysioNet 式的平面数据更省事。
第四种：你的合规要求不允许数据出境或外部依赖。
DANDI 是美国的、依赖 AWS 与 NIH 资助。如果项目有数据本地化要求，或者需要长期保证可访问，就得自己镜像整库——而整库镜像的量级已经不是「顺手做一下」的事。
**一句话：DANDI 适合「要在大量异构神经数据里找东西」的人，不适合「只要一份数据」的人。**判断标准是你的问题里有没有「找」这个动词。
§11 术语、核对与评估
11.1 关键数字一览
| 项 | 值 | 来源 / 时点 |
|---|---|---|
| 上线时间 | 2020 | 论文 |
| 首页计数 | 1,059 dandisets / 1,983 users / 922 TiB | 2026-10-20 实测 |
| API 列表计数 | 938 | 2026-10-20 实测 |
| API 统计 | 1,209 总 / 463 已发布 / 2,225 用户 / 2,249 TiB | 2026-10-20 实测 |
| 无文件的 dandiset | 278（938 − 660） | 2026-10-20 实测 |
| 首页取样中已发布比例 | 52 / 100 | 2026-10-20 实测 |
| 单文件上限 | 5 TB | re3data |
| 总量告警线 | 10 TB | re3data |
| embargo 上限 | 6 个月 | BRAIN Initiative 政策 |
| 数据许可 | CC-BY-4.0 / CC0-1.0 | 官方政策 |
| 元数据许可 | CC0 | 官方政策 |
| NWB 版本要求 | 2.1+ | DANDI handbook |
| 资助到期 | 2029-04 | re3data |
| GitHub 仓库数 | 67 | github.com/dandi |
11.2 可立即验证的疑问
- **938 / 1,059 / 1,209 三个数字的官方定义分别是什么？**未公开。
- **2,249 TiB 与 922 TiB 差 1,327 TiB，是否因多版本累计？**未说明。
- **278 个零文件 dandiset 是什么状态？**新建未传？上传失败？未说明。
- **NIH 审查的具体内容与时间表？**横幅只有一句，无链接。
- **2029 年资助到期后数据如何处置？**re3data 只写「保留至仓库生命周期」，生命周期本身未定义。
- **embargo 数据集的实际数量与比例？**API 有
embargo_status字段，但无聚合统计。 - **有多少 dandiset 缺少 ethicsApproval？**政策要求但未强制校验。
- **同一 dandiset 跨版本的文件增删情况能否查询？**Web 界面有版本 diff，API 是否有对应端点未验证。
11.3 DAIMS 评估
| DAIMS 维度 | 评分 | 说明 |
|---|---|---|
| 数据可发现性 | 高 | API + Web + 外部索引（re3data、BCDC）多路可达 |
| 数据可访问性 | 高 | 免费、无费用门槛、只需 GitHub 账号；embargo 期满自动开放 |
| 数据可用性 | 高 | NWB/BIDS 标准格式，工具链成熟 |
| 数据互操作性 | 高 | 受控词元数据 + 标准格式 + 多工具支持 |
| 数据可重用性 | 高 | 版本 DOI 保证可复现；旗舰数据集已被大量二次分析 |
| 数据质量 | 中 | 格式合规有强制校验，但科学质量不审（as-is 条款） |
| 数据治理 | 高 | 许可、embargo、移除、撤销条款齐全 |
| 元数据完备性 | 高 | assetsSummary 结构化，受控词，CC0 可收割 |
| 文档质量 | 中高 | handbook 与教程详尽，但规模口径未统一说明 |
| 基准完备性 | 低 | 它是数据仓库，不提供基准任务与排行榜 |
**关于「数据质量」给中等的理由值得展开。**这一项常被误解为「DANDI 的数据质量一般」，其实是两件事：
- 格式质量：高。
nwbinspector强制闸门保证元数据字段齐全、结构合法。 - 科学质量：不审。政策原话是「All data are provided ‘as-is’」，DANDI 明确不承担内容正确性的责任。
所以「中等」的准确含义是：**你不用怀疑文件能不能读，但你必须自己怀疑数据对不对。**这跟期刊同行评议不是一回事——评议审的是论证，DANDI 连论证都不看，只看格式。
一个实用推论：**在 DANDI 上选数据集，元数据帮你筛掉 90%，剩下 10% 的判断仍然要读论文。**而且这 10% 是最花时间的部分，别指望跳过。
11.5 一句话结论
**DANDI 的价值不在它装了多少数据，在它把「版本」和「许可」做成了不可绕过的机制。**它不能替你判断数据好坏，但它能保证你半年后还能找回当初那份。
用一句话给不同的读者：
- 做算法的人：把它当数据源，但别把「NWB 格式统一」误读成「内容可比」。
- 做数据工程的人：它的版本机制与元数据设计值得直接抄。
- 做临床或产品的人：先确认你的合规要求是否允许依赖一个资助到 2029 年的美国平台。
最后更新：2026-10-20
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：
- cves — 共享标签：神经科学 / 生理信号 / 多模态
- mimic3wdb — 共享标签：生理信号 / 电子健康记录
- mimic3wdb-matched — 共享标签：生理信号 / 电子健康记录
- mimic4wdb — 共享标签：生理信号 / 电子健康记录
- cerebral-vasoreg-diabetes — 共享标签：神经科学 / 生理信号 / 多模态
- neurovault — 共享标签：神经科学 / 多模态
- ibl-brain-wide-map — 共享标签：神经科学 / 生理信号 / 多模态
- spikeinterface — 共享标签：神经科学 / 生理信号 / 多模态
- stroke-eeg-fnirs — 共享标签：神经科学 / 生理信号 / 多模态
- wearable-exam-stress — 共享标签：神经科学 / 生理信号 / 多模态
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。
