TOLT可复用三组学表征实现数据高效单细胞预测的源数据与分析代码
数据支持匹配骨髓比较、配对数据效率分析、外部189抗体面板适配、TEA-seq中RNA加染色质蛋白预测与蛋白定义表型恢复、PBMC正向与反向预测及骨干诊断等任务，并附有连接源文件名与论文九张主图和十一张补充图的图映射（来源 DOI 解析，Creative Commons
基本信息
资源简介
TOLT可复用三组学表征实现数据高效单细胞预测的源数据与分析代码
Source data and analysis code for "TOLT enables data-efficient single-cell prediction through reusable triomic representations"
该数据集是论文《TOLT enables data-efficient single-cell prediction through reusable triomic representations》的配套源数据与分析代码，包含数值源表、评估分配、保存的预测结果、模型与分析设置，以及TriOmics-Latent Transformer（TOLT）的分析与绘图代码。数据支持匹配骨髓比较、配对数据效率分析、外部189抗体面板适配、TEA-seq中RNA加染色质蛋白预测与蛋白定义表型恢复、PBMC正向与反向预测及骨干诊断等任务，并附有连接源文件名与论文九张主图和十一张补充图的图映射（来源 DOI 解析，Creative Commons 。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集伴随Xiao Jia的稿件《TOLT enables data-efficient single-cell prediction through reusable triomic representations》。该存档包含数值源表、评估分配、保存的预测、模型与分析设置，以及TriOmics-Latent Transformer（TOLT）的分析与绘图代码。它支持匹配的骨髓比较、配对数据效率分析、对外部189抗体面板的适配、TEA-seq中RNA加染色质的蛋白预测与蛋白定义表型恢复、PBMC正向与反向预测以及骨干诊断。两个源数据归档保留了368个原始文件，其中包括138个图数据导出。一个单独的图映射将其稳定的源文件名与当前稿件的九张主图和十一张补充图连接起来。将两个ZIP文件解压到同一目录并运行pyt
【主题与分类】
主题标签：TOLT、single-cell multiomics、multimodal learning、cross-modal prediction、protein prediction、chromatin accessibility、data-efficient learning、transfer learning、TEA-seq、CITE-seq。本站分类：肌肉骨骼系统疾病。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.23494371
使用许可：Creative Commons Attribution 4.0 International。
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://doi.org/10.5281/zenodo.23494371
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 40.0 MB。
数据说明
本数据集随Xiao Jia的手稿《TOLT enables data-efficient single-cell prediction through reusable triomic representations》一同发布。该存档包含数值源表、评估分配、已保存的预测结果、模型与分析设置，以及TriOmics-Latent Transformer（TOLT）的分析与绘图代码。它支持匹配骨髓比较、配对数据效率分析、对外部189抗体面板的适配、TEA-seq中RNA加染色质蛋白预测及蛋白定义表型恢复、PBMC正向与反向预测，以及骨干诊断。两个源数据归档保留了368个原始文件，其中包括138个图数据导出文件。一份单独的图映射将其稳定的源文件名与当前手稿的九张主图和十一张补充图对应起来。将两个ZIP文件解压到同一目录，并运行python restore_layout.py以校验校验和并恢复原始分析布局。
所提供的冻结输入支持对图3和图6进行独立的已保存结果重放；完整的模型重跑还需使用原始公开数据集以及TOLT v3.110.1软件、预处理资产和权重。两个数据存档和图件映射与2026年10月20日在GitHub上随TOLT v3.110.1发布的资产逐字节一致。原始观测数据归属于其来源存储库；数据集登录号和复用说明记录在随附文件中。原始分析衍生数据和存放文档依据CC BY 4.0提供。所包含的原始分析软件保留其MIT许可证。复用的第三方观测数据和材料仍受其原始条款约束；这些许可证不替代那些条款。各许可证的适用范围见LICENSES_AND_SOURCES.md。
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。
