用于抑制NOESY、TOCSY和压力跳跃HSQC NOE差谱中t1噪声的原始NMR数据与处理脚本
该存档包括Bruker采集文件、NMRPipe处理脚本，以及RePAIR和参考去卷积的结果，用于比较它们在抑制t1噪声方面的有效性
基本信息
资源简介
用于抑制NOESY、TOCSY和压力跳跃HSQC NOE差谱中t1噪声的原始NMR数据与处理脚本
Raw NMR data and processing scripts for suppressing t1 noise in NOESY, TOCSY, and pressure-jump HSQC NOE difference datasets
该数据集包含与论文《Small-Molecule Contacts to NMR-Invisible Aβ40 Oligomers Revealed by Pressure-Jump NMR and t1-Noise Suppression》相关的原始NMR数据、处理脚本及t1噪声校正输出，涵盖Bruker采集文件、NMRPipe处理脚本，以及RePAIR与参考去卷积在抑制t1噪声方面的效果对比结果，还包括用于检测DMSO与Aβ40寡聚体之间弱分子间NOE的压力跳跃NMR数据。实验与处理细节见论文及Supporting Information（来源 DOI 解析，Creative Commons Attribution 4.0 In。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该记录包含与论文《Small-Molecule Contacts to NMR-Invisible Aβ40 Oligomers Revealed by Pressure-Jump NMR and t1-Noise Suppression》相关的原始NMR数据、处理脚本和t1噪声校正输出。该存档包括Bruker采集文件、NMRPipe处理脚本，以及RePAIR和参考去卷积的结果，用于比较它们在抑制t1噪声方面的有效性。它还包含用于检测DMSO与Aβ40寡聚体之间弱分子间NOE的压力跳跃NMR数据。实验和处理细节在论文和Supporting Information中描述。
【主题与分类】
主题标签：NMR spectroscopy、t1 noise、Amyloid β、protein oligomerization、intermolecular interactions、NOESY、TOCSY。本站分类：神经系统疾病/阿尔茨海默病。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.21228406
使用许可：Creative Commons Attribution 4.0 International。
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.21228406
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
本记录包含与手稿《通过压力跳跃NMR和t1噪声抑制揭示Aβ40寡聚体中的小分子接触》相关的原始NMR数据、处理脚本及t1噪声校正输出。该档案包括Bruker采集文件、NMRPipe处理脚本，以及RePAIR和参考去卷积的结果，用于比较它们在抑制t1噪声方面的有效性。它还包含了用于检测DMSO与Aβ40寡聚体之间弱分子间NOE的压力跳跃NMR数据。实验和处理细节在手稿及支持信息中描述。
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。
