脂肪库特异性重塑揭示亚洲人群代谢风险
数据经hg38比对、Cell Ranger v8.0定量、Demuxlet供体分配、DecontX去除环境RNA及严格质控,并使用scVI整合后进行PCA、UMAP、Leiden聚类和基于经典标记与Azimuth参考的细胞类型注释

基本信息
资源简介
脂肪库特异性重塑揭示亚洲人群代谢风险
Depot-specific adipose remodelling reveals metabolic risk in Asian populations
该数据集为伴随“Depot-specific adipose remodelling reveals metabolic risk in Asian populations”研究的人类脂肪组织处理后单核RNA测序(snRNA-seq)数据,涵盖598个样本、1,120,221个细胞核,采用10x Genomics Chromium GEM-X平台建库并在MGI DNBSEQ-T7测序。数据经hg38比对、Cell Ranger v8.0定量、Demuxlet供体分配、DecontX去除环境RNA及严格质控,并使用scVI整合后进行PCA、UMAP、Leiden聚类和基于经典标记与Azimuth参考的细胞类型注释。该数据可用于研究不同。
【数据集背景】
源站首次发布:2026。
【数据内容】
源站描述(机器翻译,仅供参考):伴随研究“Depot-specific adipose remodelling reveals metabolic risk in Asian populations”的人类脂肪组织处理后单核RNA测序(snRNA-seq)数据。数据集概览 物种:Homo sapiens 组织:脂肪组织 样本:598 细胞核:1,120,221 平台:10x Genomics Chromium GEM-X;在MGI DNBSEQ-T7上测序 处理 读段比对至hg38并使用Cell Ranger v8.0定量。使用Demuxlet分配供体。使用DecontX去除环境RNA,随后进行QC过滤(污染≤50%、线粒体读段≤5%、300–200,000 UMIs、检测基因≥300)。供体间和供体内双细胞分别使用Demuxlet和DoubletFinder鉴定。使用scVI整合文库,随后进行PCA、UMAP可视化、Leiden聚类,以及基于经典标记和Azimuth参考的细胞类型注释。文件 为便于
【主题与分类】
主题标签:snRNA-seq、single-nucleus RNA sequencing、adipose tissue、human、obesity、metabolic disease、Asian populations、scVI。本站分类:内分泌、营养和代谢疾病。
【获取与许可】
源站页面:https://zenodo.org/doi/10.5281/zenodo.23228731
使用许可:Creative Commons Attribution 4.0 International。
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/10.5281/zenodo.23228731
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
伴随研究“脂肪库特异性脂肪重塑揭示亚洲人群代谢风险”的人体脂肪组织单核RNA测序(snRNA-seq)处理后数据。数据集概览 物种:智人 组织:脂肪组织 样本:598 细胞核:1,120,221 平台:10x Genomics Chromium GEM-X;在MGI DNBSEQ-T7上测序 处理 读段比对至hg38,并使用Cell Ranger v8.0进行定量。使用Demuxlet分配供体。使用DecontX去除环境RNA,随后进行QC过滤(污染≤50%、线粒体读段≤5%、300–200,000个UMI,以及≥300个检测基因)。供体间和供体内双细胞分别使用Demuxlet和DoubletFinder鉴定。使用scVI整合文库,随后进行PCA、UMAP可视化、Leiden聚类,以及基于经典标志物和Azimuth参考的细胞类型注释。文件 为便于下载和重复使用,整合对象按一级细胞类型注释拆分为15个AnnData文件,每种细胞类型一个。它们共同包含所有通过QC的细胞核。
Adipocyte.h5ad – 脂肪细胞 ASPC.h5ad – 脂肪干细胞与祖细胞 B.h5ad – B细胞 Dendritic.h5ad – 树突状细胞 Endothelial.h5ad – 内皮细胞 IGFBP2plus_cell.h5ad – IGFBP2+细胞 Macrophage.h5ad – 巨噬细胞 Mast.h5ad – 肥大细胞 Mesothelial.h5ad – 间皮细胞 Monocyte.h5ad – 单核细胞 NK.h5ad – 自然杀伤细胞 Pericyte.h5ad – 周细胞 Plasma_cell.h5ad – 浆细胞 SMC.h5ad – 平滑肌细胞 T.h5ad – T细胞 元数据:metadata_snRNA_freeze.tsv.gz – 所有细胞核的单个细胞核元数据(经过文库水平和细胞类型水平质控后),包括细胞类型注释。
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。




