具代谢能力的雌激素受体反式激活试验化学筛选数据集
美国EPA继续利用高通量筛选数据来评估内分泌活性物质的潜在生物效应，而不使用动物测试。确定高通量试验中体外代谢的范围和必要性，需要生成更大的数据集来评估外源物转化对毒性相关终点的影响
基本信息
资源简介
具代谢能力的雌激素受体反式激活试验化学筛选数据集
该数据集英文名为“Chemical screening in an estrogen receptor transactivation assay with metabolic competence”，来源于 search.dataone.org，在本站归类于消化系统疾病 / 其他。其核心内容是美国 EPA 利用高通量筛选数据评估内分泌活性物质潜在生物效应、避免动物测试的一项化学筛选研究。研究在 VM7Luc 雌激素受体反式激活试验（ERTA）中，结合 Alginate Immobilization of Metabolic Enzymes（AIME）肝代谢方法，对 768 种 ToxCast 化学物质进行筛查，分别在有代谢和无代谢条件下识别雌激素效应及代谢依赖的生物活性变化。根据雌激素命中判定，85 种化学物质在两种试验模式下均有活性，16 种仅在没有代谢时具有活性，27 种仅在代谢条件下具有活性。该数据集为评估体外代谢在高通量试验中的范围与必要性提供了较大规模的数据基础。
【数据集背景】
美国 EPA 持续利用高通量筛选数据评估内分泌活性物质的潜在生物效应，而不依赖动物测试。确定高通量试验中体外代谢的范围和必要性，需要生成更大的数据集，以评估外源物转化对毒性相关终点的影响。该研究正是在这一背景下，将代谢能力引入雌激素受体反式激活试验，以考察化学物质在代谢前后生物活性的差异。
【数据内容】
数据集覆盖 768 种 ToxCast 化学物质的筛查结果。这些化学物质在 VM7Luc 雌激素受体反式激活试验中分别于有代谢和无代谢两种模式下接受测试，用于识别雌激素效应以及代谢依赖的生物活性变化。基于雌激素命中判定，85 种化学物质在两种试验模式下均有活性，16 种仅在没有代谢时具有活性，27 种仅在代谢条件下具有活性。
【采集与来源】
数据来源于 search.dataone.org。研究采用 VM7Luc 雌激素受体反式激活试验（ERTA），并结合 Alginate Immobilization of Metabolic Enzymes（AIME）肝代谢方法完成筛查。源站描述说明了美国 EPA 利用高通量筛选数据评估内分泌活性物质潜在生物效应的总体做法。
【适用场景】
该数据集适用于评估内分泌活性物质的潜在生物效应，支持在体外条件下考察外源物转化对毒性相关终点的影响，并可用于判断高通量试验中引入体外代谢的范围与必要性。其有代谢与无代谢两种模式的对照设计，适合识别雌激素效应及代谢依赖的生物活性变化。
【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
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
美国环保署（U.S. EPA）继续利用高通量筛选数据来评估内分泌活性物质的潜在生物效应，而不使用动物实验。确定高通量测定中体外代谢的范围和必要性，需要生成更大的数据集，以评估外源物质转化对毒性相关终点的影响。本研究的目标是使用藻酸盐固定化代谢酶（AIME）肝代谢方法，在VM7Luc雌激素受体反式激活测定（ERTA）中筛选一组768种ToxCast化学品。化学品在有或无代谢条件下进行筛选，以识别雌激素效应和代谢依赖性的生物活性变化。根据雌激素命中判定，85种化学品在两种测定模式下均有活性，16种化学品仅在没有代谢时才有活性，27种化学品仅在代谢条件下才有活性。使用一种新的代谢曲线位移方法，该方法评估浓度……的位移
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。
