复杂性状因果基因集生成式预测数据集

数据集获取

源站：https://search.dataone.org/view/sha256%3A1322c9bcc25b5b9e4371591c7b7646700c38ad863a6f289a037a6495f1553697

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

基因型与表型之间的关系对于生物体层面的性状而言仍是一个悬而未决的问题，因为这些性状通常是复杂的。这一挑战源于复杂性状由多个基因（或位点）的组合所决定，从而导致可能的基因型-表型映射呈爆炸式增长。解决这些映射的主要技术是全基因组/转录组关联研究，但这些方法因缺乏因果推断能力和统计效力而受到限制。在此，我们开发了一种方法，利用带有因果信息的转录数据以及生成式机器学习模型来增强统计效力。我们对该方法的实现——命名为TWAVE——包括一个在人类转录数据上训练的变分自编码器，并将其纳入一个优化框架中。

TWAVE生成性状表达谱，我们通过识别独立变化的广义通路（特征基因……数据收集自GEO。，# 负责复杂性状的因果基因集的生成性预测 https://doi.org/10.5061/dryad.s4mw6m9hf ## 数据和文件结构说明 这是项目“负责复杂性状的因果基因集的生成性预测”的数据存储库。该存储库包含用于运行Jupyter笔记本和Python脚本的数据，相关代码存储库位于Zenodo（doi: 10.5281/zenodo.12955283）。数据：1）手稿中涉及的人类复杂疾病性状的单细胞RNAseq数据（按GEO系列标注，见正文表1）。在以下文件中，性状以其缩写和GEO系列标注：* tep = 非小细胞肺癌（GSE89843）* t1d = 1型糖尿病（GSE182870）* MODY3 = 青少年的成人起病型糖尿病3型（GSE129653）* ib = 炎症性肠病（GSE193677）* cancermeta = 癌症转移（GSE202695）* asthma = 过敏性哮喘（GSE96783）* a

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。