小鼠Cmah失活数据:提升跑步耐力并降低肌肉疲劳性及对人类进化的启示
该数据集来自 Dryad,对应一项关于 Cmah 基因失活小鼠运动能力的研究。数据覆盖强制跑步机测试与 15 天自愿转轮跑步表现,以及 Cmah-/- 小鼠后肢肌肉毛细血管增多和原位抗疲劳性增强等结果

基本信息
资源简介
小鼠Cmah失活数据:提升跑步耐力并降低肌肉疲劳性及对人类进化的启示
Data from: Human-like Cmah inactivation in mice increases running endurance and decreases muscle fatigability: implications for human evolution
该数据集来自 Dryad,对应一项关于 Cmah 基因失活小鼠运动能力的研究。数据覆盖强制跑步机测试与 15 天自愿转轮跑步表现,以及 Cmah-/- 小鼠后肢肌肉毛细血管增多和原位抗疲劳性增强等结果。可用于探索 Cmah 缺失与耐力提升、肌肉疲劳性下降之间的关系,并为理解人类长距离奔跑能力的遗传基础及人类进化提供数据支持(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):与其他灵长类相比,人类是卓越的长距离跑者,这一特征约在 200 万年前(mya)出现于人属(Homo),传统上被归因于解剖和生理适应,例如臀大肌增大和散热能力改善。然而,目前尚未明确其潜在的遗传变化。在 200 万至 300 万年前,CMP-Neu5Ac 羟化酶(CMAH)基因的一个外显子缺失也在我们的祖先谱系中固定下来。小鼠中 Cmah 缺失会加重多种肌营养不良小鼠模型的疾病严重程度,这一发现仅部分归因于免疫反应性的差异。我们评估了 Cmah-/- 小鼠的运动能力,观察到在强制跑步机测试中以及 15 天自愿转轮跑步后其表现增强。Cmah-/- 后肢肌肉表现出更多毛细血管以及更强的原位抗疲劳性。Maxima
【主题与分类】
主题标签:human、Running。本站分类:内分泌、营养和代谢疾病。
【获取与许可】
源站页面:https://datadryad.org/dataset/doi:10.5061/dryad.qm44087
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.qm44087
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 3.12 GB。
数据说明
与其他灵长类动物相比,人类是出色的长距离奔跑者,这一特征在大约200万年前(mya)出现在人属中,并通常归因于解剖学和生理学上的适应,如增大的臀大肌和改进的散热能力。然而,目前尚未确定任何潜在的基因变化。在200-300万年前,CMP-Neu5Ac羟化酶(CMAH)基因中的一个外显子缺失也在我们的祖先谱系中固定下来。在小鼠中,Cmah缺失加剧了多种肌营养不良小鼠模型中的疾病严重程度,这一发现仅部分归因于免疫反应性的差异。我们评估了Cmah-/-小鼠的运动能力,并观察到在强制跑步机测试中以及15天自愿轮跑后表现增强。Cmah-/-后肢肌肉表现出更多的毛细血管和更强的原位抗疲劳能力。在离体条件下,Cmah缺失小鼠的最大耦合呼吸也更高,并且还注意到了代谢途径中的相关差异。综上所述,这些数据表明CMAH缺失有助于改善骨骼肌对氧气利用的能力。
如果能在人类中转化,CMAH的缺失可能为祖先人类在从森林居住向开阔草原上增加资源探索和狩猎/采集行为过渡期间提供了选择优势。
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。




