PRJNA1413303：人源多物种微生物组（主要来自粪便，也含皮肤、口腔、鼻腔和生殖道部位）宏基因组
该数据集包含来自报告系统性体臭、PATM（People Are Allergic to Me）及特发性体臭（包括代谢性体臭 MEBO）参与者的粪便样本 16S rRNA 基因扩增子测序数据，属于一项虚拟开展的临床试验（ClinicalTrials.gov 标识 NCT03582826）
基本信息
资源简介
PRJNA1413303：人源多物种微生物组（主要来自粪便，也含皮肤、口腔、鼻腔和生殖道部位）宏基因组
该数据集包含来自报告系统性体臭、PATM（People Are Allergic to Me）及特发性体臭（包括代谢性体臭 MEBO）参与者的粪便样本 16S rRNA 基因扩增子测序数据，属于一项虚拟开展的临床试验（ClinicalTrials.gov 标识 NCT03582826）。研究旨在探究肠道微生物组成，识别与体臭相关表型及代谢性气味障碍（包括 trimethylaminuria，TMAU）相关的微生物分类群。部分志愿者接受了 TMAU 临床检测，识别出原发性（遗传性）TMAU 和与肠道微生物失调相关的继发性（非遗传性）TMAU。数据支持 Gabashvili IS, JMIR Dermatology 2020;3(1):。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集包含来自报告系统性体臭、People Are Allergic to Me (PATM) 和特发性体臭状况（包括代谢性体臭 (MEBO)）参与者的粪便样本的 16S rRNA 基因扩增子测序，作为一项虚拟开展的临床试验（ClinicalTrials.gov 标识符：NCT03582826）的一部分收集。该研究旨在调查肠道微生物组成，并识别与体臭相关表型和代谢性气味障碍（包括 trimethylaminuria (TMAU)）相关的微生物分类群。在研究志愿者中，一部分人接受了 TMAU 临床检测，识别出原发性（遗传性）TMAU 和与肠道微生物失调相关的继发性（非遗传性）TMAU。这些数据支持 Gabashvili IS, JMIR Dermatology 2020;3(1):e10508 中报告的发现。提供原始序列数据以支持透明度、可重复性和二次
【主题与分类】
主题标签：Metagenome。本站分类：内分泌、营养和代谢疾病。
【获取与许可】
源站页面：https://ncbi.nlm.nih.gov/bioproject/PRJNA1413303
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://ncbi.nlm.nih.gov/bioproject/PRJNA1413303
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
该数据集包含来自报告全身性异味、人们对我不耐受（PATM）及特发性异味状况（包括代谢性体味，MEBO）参与者的粪便样本的16S rRNA基因扩增子测序，这些样本作为一项虚拟进行的临床试验（ClinicalTrials.gov标识符：NCT03582826）的一部分被收集。该研究旨在探究肠道微生物组成，并识别与异味相关表型及代谢性气味障碍（包括三甲胺尿症，TMAU）相关的微生物分类群。在研究志愿者中，一部分人接受了TMAU的临床检测，发现了与肠道微生物失调相关的原发性（遗传性）TMAU和继发性（非遗传性）TMAU。这些数据支持了Gabashvili IS在《JMIR Dermatology》2020;3(1):e10508中报告的研究结果。提供原始序列数据旨在支持透明度、可重复性以及对微生物组-异味关联的二次分析。
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。
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。
