基于秩变换的跨组学与单细胞数据标注数据集
背景：多组学和单细胞数据在格式与规模上差异显著，给跨数据集和跨平台的稳健标注带来挑战。我们假设样本内分子特征秩能够提供关于组织和细胞身份的稳定信息
基本信息
资源简介
基于秩变换的跨组学与单细胞数据标注数据集
该数据集英文名为“Data”，归类于肿瘤/脑肿瘤方向，来源站为 doi.org，作者为 Wen Li，机构为 IEEE DataPort，发布时间为 2026 年，采用 Creative Commons Attribution 4.0 International 许可。源站描述指出，多组学与单细胞数据在格式和规模上差异显著，跨数据集、跨平台的稳健标注面临挑战；研究假设样本内分子特征秩能够提供关于组织和细胞身份的稳定信息，并据此开发了基于秩的标准化正态分布（SND）变换，在多种组学模态、组织和单细胞数据集上评估其性能。以下依据可获得的信息对该数据集作分段介绍。
【数据集背景】
源站描述显示，多组学和单细胞数据在格式与规模上存在显著差异，这给跨数据集和跨平台的稳健标注带来了挑战。研究提出的核心假设是：样本内分子特征秩能够提供关于组织和细胞身份的稳定信息。为验证这一假设，研究者开发了一种基于秩的变换方法，即标准化正态分布（SND），并在多种组学模态、组织和单细胞数据集上评估其性能。该数据集即处于肿瘤/脑肿瘤分类之下，与该背景研究相关联。
【数据内容】
源站描述提及，研究评估所使用的数据涵盖 mRNA、miRNA、蛋白质和通路活性数据，来自癌症基因组图谱（TCGA）泛癌数据集，并配合深度神经网络（DNN）和 eXtreme Gradient Boosting（XGBoost）分类器进行评价。此外，泛化能力通过独立的基因表达综合（GEO）数据集进行评估，单细胞注释则在三个独立数据集中进行评价。源站描述在此处中断，未完整给出单细胞数据集的具体信息。数据集的具体文件构成、样本数量、特征维度等细节，源站未提供。
【采集与来源】
该数据集来源站为 doi.org，发布机构为 IEEE DataPort，作者为 Wen Li。源站描述表明，研究所用数据涉及 TCGA 泛癌数据集、独立的 GEO 数据集以及三个独立的单细胞数据集。各数据集的采集时间、采集地点、纳入排除标准及具体获取方式，源站未提供。
【适用场景】
依据源站描述，该数据集及相关方法适用于多组学与单细胞数据的跨数据集、跨平台标注场景，涉及 mRNA、miRNA、蛋白质和通路活性等多种组学模态，并可用于评估基于秩的标准化正态分布变换在组织与细胞身份识别中的表现。结合本站分类，其应用领域归入肿瘤/脑肿瘤方向。更具体的适用任务边界与推荐应用场景，源站未提供。
【使用方法】
源站描述指出，SND 方法将样本内分子秩独立映射为标准正态分布；评价时使用 DNN 与 XGBoost 分类器，并以独立 GEO 数据集评估泛化能力、以三个独立单细胞数据集评估单细胞注释效果。数据的具体读取方式、预处理步骤、划分策略及代码使用说明，源站未提供。
【质量与限制】
源站描述未给出数据质量指标、缺失值情况、批次效应评估或准确性数值。可确认的限制性背景是：多组学与单细胞数据在格式和规模上差异显著，跨数据集与跨平台的稳健标注本身具有挑战性。源站描述在单细胞数据集部分中断，相关评估细节不完整。其余质量与限制信息，源站未提供。
【引用与许可】
该数据集采用 Creative Commons Attribution 4.0 International 许可，作者为 Wen Li，发布机构为 IEEE DataPort，发布年份为 2026 年，来源站为 doi.org。引用时应遵循该许可的署名要求。具体的引用格式、DOI 编号及版本信息，源站未提供。
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/10.21227/eba5-td89
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
背景：多组学和单细胞数据在格式和规模上差异很大，这给跨数据集和跨平台的稳健注释带来了挑战。我们假设样本内的分子特征秩次能够提供关于组织和细胞身份的稳定信息。我们开发了一种基于秩次的变换——标准化正态分布（SND），并在多种组学模态、组织和单细胞数据集中评估了其性能。方法：SND独立地将样本内的分子秩次映射为标准正态分布。我们使用来自癌症基因组图谱（TCGA）泛癌数据集的mRNA、miRNA、蛋白质和通路活性数据，结合深度神经网络（DNN）和极端梯度提升（XGBoost）分类器对SND进行了评估。使用独立的基因表达综合数据库（GEO）数据集评估了泛化能力，同时在三个独立数据集中评估了单细胞注释，并与已有的基于秩次和分位数归一化方法进行了比较。结果：相对基因秩次位置在肿瘤类型内的稳定性高于绝对表达水平，支持肿瘤类型特异性的秩次架构。
SND显著改善了类别平衡分类，尤其是对罕见肿瘤类型。对于miRNA，宏F1从45.3%提高到86.8%，准确率从62.5%提高到91.7%。改善程度与肿瘤类型样本量呈负相关（r = −0.63，P < 0.001）。在独立的GEO数据集上，DNN准确率从18.0%提高到44.0%，XGBoost准确率从17.6%提高到35.1%。SND-DNN在免疫细胞、胶质母细胞瘤和多发性硬化数据集上分别达到97.3%、90.6%和99.2%的准确率。约200个基因足以接近最大分类性能。结论：SND提供了一个简单、非参数的框架，用于在异质性组学数据中利用样本内秩架构。它可能改善罕见类别的分类和跨数据集的泛化能力，同时实现准确的pr
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。
