利用代理表型进行非加性关联分析识别新型牛综合征
该数据集来自 search.dataone.org，围绕牛的非加性效应开展序列分辨率筛选，覆盖 130,725 头动物，用于发现和验证非加性关联
基本信息
资源简介
利用代理表型进行非加性关联分析识别新型牛综合征
Non-additive association analysis using proxy phenotypes identifies novel cattle sydromes
该数据集来自 search.dataone.org，围绕牛的非加性效应开展序列分辨率筛选，覆盖 130,725 头动物，用于发现和验证非加性关联。数据涉及 DNA sequencing、RNA sequencing 与 Bos taurus，识别出六个新型隐性位点，涉及 PLCD4、MTRF1、DPF2、MUS81、GALNT2、FGD4 等基因的错义、提前终止与剪接破坏突变，可用于研究牛隐性综合征、近交衰退及与人类疾病的类比（来源 DataONE）。
【数据内容】
源站描述（机器翻译，仅供参考）：哺乳动物物种每个个体携带约100个功能丧失变异，其中约1-5个影响必需基因，纯合时导致胚胎致死或严重疾病。其余变异的功能更难解析，但被认为以较不明显的方式影响适合度。在此，我们展示了迄今为止规模最大的牛序列分辨率筛选之一的数据，目标是在130,725只动物中发现并验证非加性效应。我们突出六个新型隐性位点，其影响通常超过加性GWAS识别出的最大效应变异，呈现人类疾病的类似物以及此前未被认识的疾病。这些位点呈现令人信服的错义（PLCD4、MTRF1、DPF2）、提前终止（MUS81）和剪接破坏突变（GALNT2、FGD4），共同解释了近交衰退的相当大比例。这些res
【主题与分类】
主题标签：DNA sequencing、RNA sequencing、Bos taurus、non-additive effects、Association Analysis、syndrome、recessive、GWAS。本站分类：精神与行为障碍。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3Aecf216f276909e124a28419f73ec61fab22495f370191e46b7451663fb171b1a
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
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:
数据说明
哺乳动物每个个体携带约100个功能丧失变异，其中约1-5个影响必需基因，纯合时导致胚胎致死或严重疾病。其余变异的功能较难解析，但被认为以较不明显的方式影响适合度。本文呈现了迄今为止针对牛的最大规模序列解析筛查之一的数据，旨在发现并验证130,725头动物的非加性效应。我们重点揭示了六个新的隐性位点，其影响通常超过加性GWAS中鉴定到的最大效应变异，呈现了人类疾病的类似物以及此前未认识的疾病。这些位点呈现了引人注目的错义突变（PLCD4、MTRF1、DPF2）、提前终止突变（MUS81）和剪接破坏突变（GALNT2、FGD4），共同解释了近交衰退的相当大比例。这些结果表明，在选择物种中分离的有害等位基因的频率分布能够提供足够的统计功效，直接定位新的疾病，为最小化遗传病发生率提供了选择机会。
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。
