Scheetz2006：哺乳动物眼基因表达数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.23420731

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。

数据集大小约 19.5 MB。

数据说明

Datamonger便携式回归数据集，直接根据作者在NCBI GEO登录号GSE5680中经处理的RMA表达数据制备，伴随Scheetz等人（2006）的论文《哺乳动物眼中的基因表达调控及其与眼病的关系》，doi:10.1073/pnas.0602562103。包含来自SR/JrHsd × SHRSP杂交的120只雄性F2大鼠、18,985个基因表达预测探针，以及作为响应变量y的Trim32表达（探针1389163_at）。该gzip压缩CSV文件包含18,987列，其中包括sample_id——一个作为元数据保留并排除在模型特征之外的公共GEO登录号。探针标识符、完整数值精度以及GEO样本和探针顺序均予以保留。无缺失值，且未施加训练/测试划分。源数据包含31,099个探针。在排除57个AFFX对照后，制备过程以完整精度应用论文中的过滤条件：最大表达量高于全局第一四分位数，且在提交的log2尺度上最大值减最小值的范围至少为1（即表达变异至少两倍）。这保留了包括Trim32在内的18,986个探针，比Iowa Biostatistics经舍入处理的Scheetz2006导出数据多10个预测变量。

在匹配样本和探针后，所有共享测量值在舍入精度范围内与Iowa一致。Iowa的RDS、代码及附加注释并非制备输入。未应用额外的标准化、缩放、舍入或插补。该数据包包含CSV、README、复现脚本、来源与输出溯源信息以及代码许可证。脚本需要Datamonger代码库。精确的R往返验证及匹配的R/Python规范摘要验证了转换的正确性。测量数据请注明研究作者和NCBI GEO，此便携式制备请注明Datamonger，比较参考请注明Iowa Biostatistics。数据保留GEO的来源使用与分发条款，包括其关于提交者可能保留知识产权的警告。在审查中未发现其他针对该数据的特定限制。

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。