用于结核病状态分类的标准血液转录组数据集（ATB、LTB、CON、OD）

数据集获取

源站：https://doi.org/10.5281/zenodo.18923346

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 1.15 GB。

数据说明

本记录包含经过整理的血转录组数据及源文件，这些数据支撑了机器学习分类器与先前发表的结核病（TB）基因面板的跨队列基准测试。其中包括十二个公开的基因表达综合数据库系列：十个发现队列（GSE19491、GSE37250、GSE73408、GSE19439*、GSE19444*、GSE28623、GSE101705、GSE107994、GSE42834、GSE83456）以及仅用于外部验证的两个队列（GSE144127、GSE152218）。样本标注了四种疾病状态——ATB（活动性结核）、LTB（潜伏性结核感染）、OD（其他疾病）和CON（健康对照）——并非每个队列都包含所有四种状态。档案分为两部分。inputs/ 存放分析从代码仓库外部读取的所有内容：最初从GEO汇编的各队列表达表与平台注释文件、符号统一前的六个已发表基因面板，以及直接从GEO下载的文件（SOFT元数据、系列矩阵、非标准化补充矩阵及每样本原始文件），并记录了下载时的校验和。

derived/ 目录存放流水线生成的内容：十份经清洗的各队列 log2 基因水平表达矩阵、两个外部验证队列及其每样本元数据和过滤决策、三个任务基因全集与类别标签，以及记录注释检查、重复芯片检测和探针选择的质量控制表。各队列的 z-score 标准化在分析内部应用，而非固化到存档矩阵中；存档矩阵以 log2 基因水平提供，以便应用其他标准化方法。每个样本均依据 GEO 元数据中的 GSM 登录号进行选择和标注；文件位置、列顺序和样本标题从不用于决定类别或纳入。sample_manifest.csv 列出了十二个系列中全部 2,125 个 GEO 样本及其类别、纳入状态、排除原因、重复芯片配对（如适用）

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。