Ronneby队列PFAS-微生物组系统分析:处理后的统计与代谢建模表格
该数据集提供处理后的统计与计算输出,支持研究《整合肠道微生物组分析优先确定与高暴露人类队列中纵向PFAS消除相关的候选微生物过程》

基本信息
资源简介
Ronneby队列PFAS-微生物组系统分析:处理后的统计与代谢建模表格
该数据集提供处理后的统计与计算输出,支持研究《整合肠道微生物组分析优先确定与高暴露人类队列中纵向PFAS消除相关的候选微生物过程》
PFAS–microbiome systems analysis of the Ronneby cohort: processed statistical and metabolic-modelling tables
【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):该数据集提供处理后的统计与计算输出,支持研究《整合肠道微生物组分析优先确定与高暴露人类队列中纵向PFAS消除相关的候选微生物过程》。该研究整合了瑞典Ronneby队列65名参与者的鸟枪法宏基因组图谱,包括47名历史PFAS暴露个体和18名区域参照参与者。分析结合了MetaPhlAn分类谱分析、HUMAnN功能通路、AGORA2衍生的代谢建模特征、统计关联检验、机器学习优先级排序和宏基因组组装基因组(MAG)上下文。所 depositing 的表格支持已报道的分类、功能和代谢分析的可重复性与解释。结果主要为探索性,未建立经验证的PFAS消除微生物生物标志物。
【主题与分类】
主题标签:PFAS暴露、肠道微生物组、宏基因组分析、代谢建模、统计关联分析、机器学习优先级、MAG分析。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.23588499
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.23588499
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 13.8 MB。
数据说明
该数据集提供经过处理的统计与计算输出,用于支持研究《整合肠道微生物组分析优先揭示高暴露人群队列中与纵向PFAS消除相关的候选微生物过程》。该研究整合了瑞典Ronneby队列65名参与者的鸟枪法宏基因组图谱,其中包括47名有PFAS暴露史的个体和18名区域参考参与者。分析结合了MetaPhlAn分类学分析、HUMAnN功能通路、AGORA2衍生的代谢建模特征、统计关联检验、机器学习优先级排序以及宏基因组组装基因组(MAG)背景。所提交的表格支持对已报道的分类学、功能和代谢分析进行可重复性与解释。结果主要为探索性,并未确立经过验证的PFAS消除微生物生物标志物,也未证明微生物对PFAS的降解。原始人类相关测序读段以及受限的参与者级PFAS和临床数据未包含在内。单独的MAG提交与NCBI BioProject PRJNA1522707相关联。
分析代码可在 https://github.com/PoeticPremium6/PFAS-Microbiome 获取。经批准的原始处理后数据依据 Creative Commons Attribution 4.0 International(CC BY 4.0)许可授权,但须遵守适用的第三方权利。
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。




