ENCODE/HudsonAlpha 简化代表性亚硫酸氢盐测序 DNA 甲基化数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE27584

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

该数据由ENCODE生成。如对数据有疑问，请直接联系提交实验室（Florencia Pauli，邮箱：fpauli@hudsonalpha.org）。如对与该数据相关的Genome Browser track有疑问，请联系ENCODE（邮箱：genome@soe.ucsc.edu）。该track作为ENCODE项目的一部分产生。该track报告在特定CpG二核苷酸处表现出胞嘧啶甲基化的DNA分子百分比。一般而言，基因启动子内的DNA甲基化与基因沉默相关，而基因外显子和内含子内的DNA甲基化与基因表达相关。DNA甲基化的适当调控在发育过程中至关重要，异常的DNA甲基化是癌症的标志。使用简化代表性亚硫酸氢盐测序（RRBS）检测基因组中超过500,000个CpG二核苷酸处的DNA甲基化状态。基因组DNA用对甲基不敏感的限制性内切酶MspI消化，小基因组DNA片段通过凝胶电泳纯化，然后用于构建Illumina测序文库。

文库片段经亚硫酸氢钠处理并进行PCR扩增，使每个未甲基化的胞嘧啶转化为胸腺嘧啶，而甲基化的胞嘧啶保持不变。测序片段与定制参考基因组序列比对，对于每个检测的CpG，我们报告覆盖该CpG的测序读数数量以及这些读数中甲基化的百分比。有关数据使用条款和条件，请参阅http://www.genome.gov/27528022 和 http://www.genome.gov/Pages/Research/ENCODE/ENCODEDataReleasePolicyFinal2008.pdf

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。