LEAF-1 预训练语料：cfDNA 片段

资源简介

LEAF-1 预训练语料：cfDNA 片段

LEAF-1 预训练语料库的 cfDNA 片段部分是一个面向肿瘤与癌症总论领域的公开数据集，记录了用于训练 LEAF-1 这一 DNA 语言模型的游离 DNA（cfDNA）片段数据。LEAF-1 是面向游离 DNA 与染色质可及性片段的 DNA 语言模型，本数据集即为其中 cfDNA 部分的预训练语料。片段文件本身规模庞大，达 211 GB（bgzip 压缩），包含 340 亿条片段，因体积超出 Zenodo 的承载能力而托管于 Hugging Face。本记录则提供样本清单以及未压缩与压缩文件的 md5 校验和，便于数据的核对与复用。数据集由 Zhao, Jing、Heydari, Hamed、Goodarzi, Hani、Najafabadi, Hamed 完成，机构为 Zenodo，发布时间为 2026 年，采用 Creative Commons Attribution 4.0 International 许可。

【数据集背景】

LEAF-1 是一个面向游离 DNA 和染色质可及性片段的 DNA 语言模型。为支撑该模型的预训练，研究团队构建了相应的预训练语料库，并按数据类型拆分为若干部分分别记录。本数据集专门记录其中的 cfDNA 片段部分。除 cfDNA 部分外，预训练语料还包含 scATAC-seq 部分和 TCGA ATAC-seq 部分，其中 TCGA ATAC-seq 部分为受控访问，仅提供样本清单与处理代码。本数据集所属的领域分类为肿瘤 / 癌症（总论），主题涵盖 cfDNA、DNA 语言模型、预训练语料、肿瘤、染色质可及性与片段数据。

【数据内容】

本数据集的核心内容是 LEAF-1 预训练语料中的 cfDNA 片段。片段文件本身为 211 GB 的 bgzip 压缩数据，共包含 340 亿条片段。由于文件体积过大，无法存放于 Zenodo，因此实际片段文件托管在 Hugging Face 上，地址为 huggingface.co/datasets/jing-z/leaf1-pretraining-cfdna。本记录本身所包含的内容是样本清单（sample manifest）以及未压缩文件和压缩文件的 md5 校验和。这些校验和可用于验证下载后文件的完整性与一致性。

【采集与来源】

本数据集中的片段来源于 FinaleDB（Zheng 等，2021，Bioinformatics），以及 Adalsteinsson 等 2017、Cristiano 等 2019、Jiang 等 2015 和 Sun 等 2019 的研究。数据来源站为 doi.org。相关论文见 bioRxiv 10.64898/2026.07.09.737627。预训练语料中 scATAC-seq 部分的记录编号为 10.5281/zenodo.23176597；TCGA ATAC-seq 部分为受控访问，其样本清单与处理代码的记录编号为 10.5281/zenodo.23195360。

【适用场景】

本数据集面向肿瘤 / 癌症（总论）领域，可用于 cfDNA 片段相关的 DNA 语言模型预训练与相关研究。作为 LEAF-1 预训练语料的一部分，其直接用途是支撑该模型的预训练过程。此外，由于数据涵盖 cfDNA 片段，也可服务于涉及游离 DNA 片段特征的分析场景。具体下游任务类型源站未提供。

【使用方法】

使用者可通过 Hugging Face 地址 huggingface.co/datasets/jing-z/leaf1-pretraining-cfdna 获取实际的片段文件。本记录提供的样本清单与 md5 校验和可用于核对所下载文件的完整性，包括未压缩文件与压缩文件两种形式。使用数据时需注意引用原始数据来源，即 FinaleDB（Zheng 等，2021，Bioinformatics）以及 Adalsteinsson 等 2017、Cristiano 等 2019、Jiang 等 2015 和 Sun 等 2019 的研究。更详细的使用步骤源站未提供。

【质量与限制】

本记录提供了未压缩与压缩文件的 md5 校验和，可用于数据完整性校验。片段文件为 bgzip 压缩格式，体积达 211 GB，包含 340 亿条片段，对存储与计算资源有较高要求，这也是其未存放于 Zenodo 而改由 Hugging Face 托管的原因。预训练语料中的 TCGA ATAC-seq 部分为受控访问，与公开的 cfDNA 部分在访问方式上存在差异。其他质量指标与限制条件源站未提供。

【引用与许可】

本数据集采用 Creative Commons Attribution 4.0 International 许可。使用时需引用原始数据来源：FinaleDB（Zheng 等，2021，Bioinformatics），以及 Adalsteinsson 等 2017、Cristiano 等 2019、Jiang 等 2015 和 Sun 等 2019 的研究。相关论文为 bioRxiv 10.64898/2026.07.09.737627。作者为 Zhao, Jing、Heydari, Hamed、Goodarzi, Hani、Najafabadi, Hamed，机构为 Zenodo，发布时间为 2026 年。