ms-mint：基于Python的靶向代谢组学

数据集获取

源站：https://omicsdi.org/dataset/metabolights_dataset/MTBLS6696

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

代谢组学已成为研究生命系统复杂代谢基础的主流方法。近年来，代谢组学越来越多地应用于大型队列研究，而这些研究对现有计算工具的能力提出了极限挑战。尽管许多现有的代谢组学软件工具在应用于小型数据集时效果良好，但在应用于大型研究时，它们普遍存在三个限制其效用的缺点：它们将整个数据集存储在内存中，使用依赖于批次的拟合算法，并且对感兴趣区域采用模糊的表示方式，导致不同样本间的峰提取结果不一致。为解决这一问题，我们开发了质谱代谢组学集成器（ms-mint），这是一个用于处理、分析和可视化大型LC-MS数据集的Python库。为实现可重复的大规模数据处理任务，ms-mint采用基于感兴趣区域（ROI）的方法来提取数据。我们使用一个大型数据集（3,334个文件），包含标准品和金黄色葡萄球菌代谢物提取物，来展示这一新工具的功能。

通过回归分析，我们展示ms-mint能忠实再现其他软件工具生成的数据（R2 > 0.9999）。此外，一旦设置了ms-mint的处理参数，分析便完全自动化且高效（不到10分钟处理3334个文件），同时保持极低的内存占用（约200MB）。我们展示了如何利用这一可扩展的开源库，通过确定性和批次无关的协议，高效处理超大型数据集，从而实现大规模靶向代谢组学分析。

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。