人类肠道微生物群全局代谢互作网络数据集
该数据集来自 Dryad,提供文献整理的人类肠道微生物群种间互作网络 NJS16,涵盖约 570 种微生物与 3 种人类细胞类型,通过超过 4,400 次小分子转运和大分子降解事件发生代谢互作

基本信息
资源简介
人类肠道微生物群全局代谢互作网络数据集
Data from: Global metabolic interaction network of the human gut microbiota for context-specific community-scale analysis
该数据集来自 Dryad,提供文献整理的人类肠道微生物群种间互作网络 NJS16,涵盖约 570 种微生物与 3 种人类细胞类型,通过超过 4,400 次小分子转运和大分子降解事件发生代谢互作。基于该网络可建立数学方法,用于刻画特定人群(如疾病队列)肠道微生物群落的代表性微生物与代谢特征。将其应用于 2 型糖尿病患者的微生物组数据,可揭示肠道微生物生态系统的情境特异性结构、具有较大代谢影响的核心微生物实体以及频繁产生的代谢物,适用于微生物组与代谢互作相关研究(来源 DOI 解析,Creative Commons Zero v1.0 Universal 许可)。
【数据集背景】
源站首次发布:2018。
【数据内容】
源站描述(机器翻译,仅供参考):一个由复杂微生物—微生物以及宿主—微生物化学互作构成的系统级框架,将有助于阐明肠道微生物群在健康和疾病中的作用。在此,我们报告一个经文献整理的人类肠道微生物群种间网络,称为 NJS16。这是一个广泛的数据资源,由约 570 种微生物和 3 种人类细胞类型组成,它们通过超过 4,400 次小分子转运和大分子降解事件发生代谢互作。基于我们网络的内容,我们开发了一种数学方法,用于阐明给定人群(如疾病队列)中肠道微生物群落的代表性微生物和代谢特征。将该策略应用于 2 型糖尿病患者的微生物组数据,揭示了肠道微生物生态系统的情境特异性基础设施、具有较大代谢影响的核心微生物实体,以及频繁产生的
【主题与分类】
主题标签:Human microbiome、Systems biology、Biological Networks。本站分类:内分泌、营养和代谢疾病/糖尿病。
【获取与许可】
源站页面:https://datadryad.org/dataset/doi:10.5061/dryad.mc1j9
使用许可:Creative Commons Zero v1.0 Universal。
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
源站:https://doi.org/10.5061/dryad.mc1j9
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:
数据集大小约 383.1 KB。
数据说明
一个关于复杂微生物间及宿主-微生物化学交互的系统级框架,将有助于阐明肠道微生物群在健康与疾病中的作用。在此,我们报告了一个经文献整理的肠道微生物种间网络,命名为NJS16。这是一个广泛的数据资源,包含约570种微生物物种和3种人类细胞类型,通过超过4,400次小分子运输和大分子降解事件进行代谢互动。基于我们网络的内容,我们开发了一种数学方法,以阐明特定人群(如疾病队列)肠道微生物群落的代表性微生物和代谢特征。将此策略应用于2型糖尿病患者的微生物组数据,揭示了肠道微生物生态系统的情境特异性基础设施、具有重大代谢影响的核心微生物实体,以及可能指示相关群落代谢过程的频繁产生的代谢化合物。我们的网络为人类肠道内群落规模微生物活动的综合研究奠定了基础。
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。




