IEMbase 先天性代谢缺陷知识库
内分泌系统疾病领域表格公开数据集，来源：iembase.org。
基本信息
资源简介
IEMbase 先天性代谢缺陷知识库
【一句话概览】
IEMbase 是面向先天性代谢缺陷（IEM）的知识库。IEM 属一大类罕见遗传病，其中相当一部分已有可用疗法，可显著改善患者结局，因此准确及时的诊断至关重要。但由于此类罕见遗传病数量庞大、症状与表型异质，且所需检测项目繁多、解读需结合患者表型，诊断的准确性与及时性往往难以实现。该平台结合 IEM 领域的综合专家资源与现有本体（如人类表型本体等标准化词汇组织的概念层级），构建了一个旨在同时提供在线知识库与用于内容策展和诊断支持的人工智能系统的综合体系（来源 iembase.org）。
【数据集背景】
本数据集源站标题为《IEMbase - Inborn Errors of Metabolism Knowledgebase》。
【数据内容】
源站原始描述：Inborn errors of metabolism (IEMs) represent a large class of rare genetic disorders. For a considerable proportion of IEM, therapy is available, which dramatically improves patient outcomes. Accurate and timely diagnosis is therefore essential. However, the accuracy and timeliness of an IEM diagnosis is often difficult to achieve due to a staggering number of these rare genetic disorders, the heterogeneity of symptoms and phenotypes, as well as the extensive list of required tests and skills to…
中文译文（机器翻译，仅供快速理解，请以原文为准）：先天性代谢缺陷（IEMs）是一大类罕见的遗传性疾病。对于相当一部分IEM，已有可用的治疗方法，能显著改善患者的预后。因此，准确且及时的诊断至关重要。然而，由于这类罕见遗传病数量惊人、症状和表型异质性大，以及需要进行的检测项目繁多且需具备在患者表型背景下正确解读这些检测结果的技能，实现IEM诊断的准确性和及时性往往颇为困难。通过整合IEM领域的综合专家资源与现有本体——即按标准化词汇（如人类表型本体）组织的概念层级结构——我们构建了一个广泛的系统，旨在提供在线知识库及用于数据策管和诊断支持的人工智能系统。
【主题与分类】
主题标签：Inborn Errors of Metabolism、rare genetic disorders、knowledgebase、diagnosis、ontology、Human Phenotype Ontology。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://www.iembase.org/
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。
暂未开放有偿下载
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
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 0.15 GB。
数据说明
IEMbase 是一个关于先天性代谢缺陷（IEM）的全面知识库。它汇集了超过2000种罕见代谢疾病的临床表型、生化标志物以及基因关联数据，提供结构化的疾病特征档案图谱，常用于疾病分类、临床辅助决策和医学知识图谱研究。
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
