MND-MFHC多模态神经影像数据
面肌痉挛、面瘫和健康对照的多模态神经影像数据集，由NLM Dataset Catalog提供，来自NLM Dataset Catalog数据库，适用于分类任务。
基本信息
资源简介
MND-MFHC多模态神经影像数据
【一句话概览】
研究开发了基于深度学习的框架eMotif-RE，用于识别基因调控元件中富集的转录因子基序。利用培养的中间神经元样祖细胞的表观遗传数据集，区分了活性增强子序列与非活性增强子序列。在活性增强子集中发现ASCL1、SOX4和SOX11基序富集，提示其协同作用；在非活性集中发现ZEB1和CTCF基序富集。体内增强子实验显示，非活性集多数候选调控元件无增强子活性，8个中有2个（25%）表现为蓄势增强子，突变ZEB1和CTCF基序可提高其体内活性，表明二者具有抑制效应（来源 datasetcatalog.nlm.nih.gov）。
【数据集背景】
本数据集源站标题为《Table5_Deciphering transcription factors and their corresponding regulatory elements during inhibitory interneuron differentiation using deep neural networks.xlsx - Figshare》。
【数据内容】
源站原始描述：During neurogenesis, the generation and differentiation of neuronal progenitors into inhibitory gamma-aminobutyric acid-containing interneurons is dependent on the combinatorial activity of transcription factors (TFs) and their corresponding regulatory elements (REs). However, the roles of neuronal TFs and their target REs in inhibitory interneuron progenitors are not fully elucidated. Here, we developed a deep-learning-based framework to identify enriched TF motifs in gene REs (eMotif-RE), such…
中文译文（机器翻译，仅供快速理解，请以原文为准）：在神经发生过程中，神经元祖细胞向含有抑制性γ-氨基丁酸的中间神经元的产生和分化依赖于转录因子（TFs）及其相应调控元件（REs）的组合活性。然而，神经元TFs及其靶向REs在抑制性中间神经元祖细胞中的作用尚未完全阐明。在此，我们开发了一个基于深度学习的框架，用于识别基因REs中富集的TF基序（eMotif-RE），例如 poised/repressed增强子和推定沉默子。利用来自培养的中间神经元样祖细胞的表观遗传数据集（例如，ATAC-seq和H3K27ac/me3 ChIP-seq），我们区分了活性增强子序列（开放染色质且具有H3K27ac）和非活性增强子序列（开放染色质但无H3K27ac）。使用我们的eMotif-RE框架，我们在活性增强子集中发现了ASCL1、SOX4和SOX11等TFs的富集基序，提示ASCL1和SOX4/11在神经元祖细胞活性增强子中具有协同功能。此外，我们在非活性集中发现了富集的ZEB1和CTCF基序。通过体内增强子测定，我们显示来自非活性增强子集的大多数测试推定REs没有增强子活性。八个REs中有两个（25%）在神经元系统中表现出poised增强子功能。此外，针对ZEB1和CTCF基序的突变REs增加了其作为增强子的体内活性，表明ZEB1和CTCF对这些REs具有抑制作用，这些REs可能作为受抑制的增强子或沉默子发挥作用。总体而言，我们的工作整合了一个基于深度学习的新框架以及功能测定，阐明了TFs及其相应REs的新功能。我们的方法可应用于更好地理解不仅抑制性中间神经元分化中的基因调控，还可用于其他组织和细胞类型。
【主题与分类】
主题标签：Cell Biology、Cell Development, Proliferation and Deat、Cell Metabolism、Cell Neurochemistry、Cellular Interactions (incl. Adhesion, M、Animals、CCCTC-Binding Factor、Chromatin、Deep Learning、Enhancer Elements, Genetic。
【适用方向】
多模态数据适合跨模态对齐、融合建模与联合表征学习方向的研究。
【获取与许可】
源站页面：https://datasetcatalog.nlm.nih.gov/dataset?q=0001339324
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://datasetcatalog.nlm.nih.gov/dataset?q=0001339324
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
面肌痉挛、面瘫和健康对照的多模态神经影像数据集。
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。
