样本量对差异基因表达、排序及基因特征预测准确性的影响

数据集获取

源站：https://omicsdi.org/dataset/biostudies-arrayexpress/E-GEOD-41726

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。

数据说明

从134名个体的肌肉活检样本中生成基因表达谱，并探讨了基于性别的表达差异。最重要的差异表达基因列表在不同研究之间往往不一致，有观点认为样本量小是导致可重复性差和判别模型预测准确性低的原因。我们利用DNA微阵列技术，在134份人类骨骼肌活检样本中考察了性别差异（69名男性，65名女性）。我们使用了完整数据集及其子样本（从n=10（5名男性，5名女性）到n=120（60名男性，60名女性））来评估样本量对单个基因差异表达、基因排序及预测准确性的影响。使用完整数据集（n=134），我们鉴定出717个差异表达转录本（p值<0.0001；错误发现率<0.006），并且能够在我们的数据集内部及外部数据集中以92%的准确率预测性别。使用较小的子样本时，最重要差异表达基因的p值和排序均变得更加多变。

例如，在n=10（5男，5女）时，没有基因在p<0.0001水平上被认为差异表达，预测准确率约为50%（并不比随机猜测好）。我们发现样本量明显影响微阵列分析结果；小样本量导致基因列表不稳定和预测准确性差。我们预期这不仅适用于性别，也适用于其他表型。从134个肌肉样本中提取了RNA。比较了男性和女性之间的基因表达。

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。