AICAT 使用的预处理 scRNAseq 数据

数据集获取

源站：https://doi.org/10.5281/zenodo.16739980

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。

数据集大小约 3.90 GB。

数据说明

本记录包含用于基准测试AICAT（Gan、Zhang和Li，“AICAT：一种用于层次化细胞类型注释的AI工具”）的处理后单细胞RNA-seq样本。内容。文件Processed_atlas_scRNAseq_data.zip中，每个数据集一个文件夹，每个样本一个AnnData文件（_processed.h5ad）。对于每个文件夹，列表给出了数据集、文件数量、其中有多少在基准测试中，以及保存参考标签的obs列。- BCL_human：B细胞淋巴瘤（Liu等，2023）；9个文件，全部9个在基准测试中；refined_clusters。- CRC_human：结直肠癌（Lee等，2020）；33个文件，全部33个在基准测试中；Cell_type。- GTEx：GTEx单核RNA-seq（Eraslan等，2022）；8个文件，全部8个在基准测试中；Broad cell type。- HLA_human：人类细胞景观，HCL（Han等，2020）；59个文件，58个在基准测试中（不包括HESC）；cell_type。- Lung_human：肺腺癌（Kim等，2020）；58个文件，全部58个在基准测试中；Cell_type。- MCA_mouse：小鼠细胞图谱（Han等。

2018)；37个文件，其中33个纳入基准（不包括四个乳腺样本AdultMammaryGland.Involution、MammaryGland.Lactation、MammaryGland.Pregnancy和MammaryGland.Virgin）；注释.- TabulaMurisEmulsionV2：Tabula Muris，10x液滴数据（2018）；12个文件，其中11个纳入基准（不包括Lung-10X_P8_13）；发布的细胞类型注释.- TabulaSapiensV2：Tabula Sapiens，第2版（2022；2024）；28个文件，全部28个纳入基准；cell_ontology_class。未纳入基准的六个文件虽经处理，但因数据质量低而被排除在基准之外。每个文件包含为该样本保留的批次（细胞数最多的批次或供体）的细胞、2,000个高变基因，以及obs中的原始参考注释。细胞和注释均为原始研究发布并经其质量控制后的版本；我们未施加额外的细胞过滤。预处理步骤见论文补充说明S1。许可：CC BY 4.

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。