面向急性淋巴细胞白血病亚型的全球参考平衡基因表达数据集
该数据集为急性淋巴细胞白血病（ALL）亚型提供了一个全球参考且平衡的基因表达资源。它通过整合13个公开可用的GEO微阵列数据集构建而成，形成了一个统一且协调的数据集，涵盖258个样本、9种ALL亚型及正常对照
基本信息
资源简介
面向急性淋巴细胞白血病亚型的全球参考平衡基因表达数据集
该数据集为急性淋巴细胞白血病（ALL）亚型研究提供了一个全球参考且类别平衡的基因表达资源。它通过整合13个公开可用的GEO微阵列数据集构建而成，形成了一个统一且协调的数据集合，涵盖258个样本、9种ALL亚型以及正常对照，共包含54,675个基因。数据集在构建时进行了平衡处理，以确保每种亚型都获得公平的代表性，从而适合用于机器学习、生物标志物发现以及转化型白血病研究。该资源同时提供平衡数据集和带有元数据的完整数据集，便于研究的可重复性以及白血病基因组学领域的全球基准测试。数据集由Alireza Rahi贡献，发布于Zenodo平台，采用CC BY-NC-ND 4.0许可协议。
【数据集背景】
急性淋巴细胞白血病是一种涉及淋巴细胞系异常的血液系统恶性肿瘤，其亚型划分对临床诊断、预后判断和治疗方案选择具有重要意义。随着转录组学与微阵列技术的发展，研究者积累了大量的基因表达数据，但这些数据往往分散在不同的公共数据库中，样本来源、平台和预处理方式各异，难以直接整合用于跨队列的比较分析。该数据集正是在这一背景下构建的，旨在提供一个全球参考且类别平衡的基因表达资源，覆盖多种ALL亚型及正常对照，从而支持白血病基因组学研究的可重复性与全球基准测试。其构建整合了13个公开可用的GEO微阵列数据集，形成统一且协调的数据集合。
【数据内容】
该数据集涵盖258个样本，涉及9种ALL亚型以及正常对照，共包含54,675个基因的表达信息。数据集在构建时进行了平衡处理，以确保每种亚型在样本层面获得公平的代表性，避免因类别不平衡而对下游分析造成偏倚。数据集提供两类文件：一类是平衡数据集，另一类是带有元数据的完整数据集。前者适用于需要类别均衡的训练与评估场景，后者则保留了更完整的样本与元数据信息，便于研究者进行可重复性验证和更广泛的分析。主题标签涵盖急性淋巴细胞白血病、ALL亚型、基因表达、转录组学、微阵列、基因组学、生物标志物发现、机器学习、整合数据集、全球参考数据集以及生物信息学与基因组学等方向。
【采集与来源】
该数据集的数据来源为公开可用的GEO微阵列数据集，共整合了13个此类数据集。构建过程将这些来源各异的数据统一并协调为一个整体资源，以支持跨数据集的比较与基准测试。数据集的发布平台为Zenodo，来源站标识为doi.org。作者为Rahi, Alireza，发布时间为2025年。除上述信息外，关于各原始GEO数据集的具体平台、样本纳入标准、预处理流程等细节，源站未提供。
【适用场景】
根据源站描述，该数据集适用于机器学习、生物标志物发现以及转化型白血病研究。由于其覆盖9种ALL亚型与正常对照，并经过平衡处理，可用于训练和评估分类模型、筛选亚型相关的候选生物标志物，以及开展白血病基因组学领域的全球基准测试。同时，提供带元数据的完整数据集有助于研究者复现分析流程，并在统一参照下比较不同方法的表现。
【使用方法】
数据集以文件形式提供，包括平衡数据集和带元数据的完整数据集。研究者可根据分析目标选择使用平衡版本以保证各类别的公平代表性，或使用完整版本以获取更全面的样本与元数据信息。该资源的设计目标之一是支持可重复性与全球基准测试，因此适合在统一的数据划分与评估框架下开展方法比较。关于具体的文件格式、字段结构、加载方式或推荐的分析流程，源站未提供。
【质量与限制】
该数据集通过整合13个公开GEO微阵列数据集并进行统一协调，形成了覆盖258个样本、9种ALL亚型及正常对照的平衡资源，包含54,675个基因。其平衡设计有助于减少类别不平衡带来的偏倚，带元数据的完整数据集则支持可重复性验证。然而，关于原始数据的批次效应、平台差异、缺失值处理、标准化方法以及样本纳入与排除的具体标准等质量相关细节，源站未提供。此外，该数据集采用CC BY-NC-ND 4.0许可，对商业使用和演绎作品存在限制，使用者在再利用时需注意相应条款。
【引用与许可】
该数据集的作者为Rahi, Alireza，发布于Zenodo平台，发布时间为2025年，来源站为doi.org。许可协议为CC BY-NC-ND 4.0，即署名—非商业性使用—禁止演绎。使用者在引用或再利用该数据集时，应遵循该许可协议的要求，进行适当署名，且不得用于商业目的，也不得基于该数据集创作演绎作品。关于具体的引用格式、DOI编号或推荐引用文献，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/10.5281/zenodo.17008430
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 1.23 GB。
数据说明
该数据集为急性淋巴细胞白血病（ALL）亚型提供了一个全球参考和平衡的基因表达资源。它通过整合13个公开可用的GEO微阵列数据集构建而成，形成了一个统一且协调的数据集，涵盖了258个样本，涉及9种ALL亚型及正常对照。该数据集包含54,675个基因，并经过平衡处理以确保每个亚型的公平代表性，适用于机器学习、生物标志物发现及转化性白血病研究。提供的文件包括平衡数据集和带有元数据的完整数据集，有助于白血病基因组学研究中的可重复性和全球基准测试。
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。
