LongBench：跨平台长读长RNA测序基准数据集（癌症细胞系）

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE303762

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

长读长RNA测序技术通过实现RNA分子的全长测序，揭示新的异构体和可变剪接事件，为转录组研究提供了前所未有的洞见。尽管Pacific Biosciences（PacBio）和Oxford Nanopore Technologies（ONT）等长读长测序平台历史上与较高的错误率相关联，但这两个平台近期的进步显著提高了读取准确性，拓宽了它们在转录组研究中的适用性。随着测序方案和生物信息学工具的快速发展，测序通量、读取长度、准确性和成本之间的权衡在选择最佳方法时构成了重大挑战。系统地比较这些选项的基准研究对于指导未来研究方向至关重要。

然而，许多现有的跨平台匹配数据基准数据集存在局限性，包括：1）缺乏真实的生物学重复，这可能限制差异分析结果在现实场景中的普适性；2）使用较早的测序试剂盒，可能无法反映测序技术的最新进展，限制了其对未来通常使用更新测序方案的研究的相关性。在此，我们提出LongBench，一个旨在填补这些关键空白的综合性基准数据集。LongBench源自八种肺癌细胞系，并掺入合成RNA spike-in，包含来自三个最先进的长读长测序平台——ONT PCR-cDNA、ONT direct RNA、PacBio Kinnex——的bulk、单细胞和单核RNA-seq数据，以及Illumina短读长数据，以实现稳健的跨平台比较。LongBench数据集是用于基准测试和改进测序方案及生物信息学工具的宝贵资源。借助LongBench数据集，我们提出了对转录本捕获、定量和差异表达的系统评估

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。