肢体畸形遗传分析：Freeman Sheldon 综合征外显子组测序研究（LMD-FSS）
该数据集来自 omicsdi.org，聚焦肢体畸形（出生缺陷）的病因与发病机制研究，重点关注肢体模式异常，如肢体缺失/重复及多发性先天挛缩
基本信息
资源简介
肢体畸形遗传分析：Freeman Sheldon 综合征外显子组测序研究（LMD-FSS）
LMD-FSS 数据集全称为 Genetic Analysis of Limb Malformation Disorders: Freeman Sheldon Syndrome Exome Sequencing Study，来源于 omicsdi.org，主题标签为 Genomic。该项目旨在探究肢体畸形（即出生缺陷）的病因与发病机制，重点关注肢体模式异常，包括肢体缺失/重复以及多发性先天挛缩等表型。研究通过大规模并行 DNA 测序获取了四名无亲缘关系个体的外显子序列，其中三名个体罹患 Freeman Sheldon 综合征（OMIM: 193700）。该数据集为从基因组层面理解肢体发育异常及相关综合征的遗传基础提供了外显子测序数据资源。
【数据集背景】
肢体畸形属于出生缺陷的重要类别，其病因与发病机制是发育遗传学研究关注的核心问题之一。本项目围绕肢体模式异常展开，具体涵盖肢体缺失/重复与多发性先天挛缩等异常类型，并聚焦于 Freeman Sheldon 综合征这一具体病种。Freeman Sheldon 综合征在 OMIM 数据库中的编号为 193700。项目期望通过遗传学分析揭示上述畸形发生的病因与发病机制，从而为相关疾病的遗传学认识提供依据。
【数据内容】
该数据集的核心内容为外显子序列数据，来自四名无亲缘关系的个体，通过大规模并行 DNA 测序获得。在这四名个体中，有三名罹患 Freeman Sheldon 综合征（OMIM: 193700）。数据所属主题为 Genomic。除上述外显子测序信息外，样本的具体临床特征、测序覆盖度、变异位点数量等细节源站未提供。
【采集与来源】
数据来源于 omicsdi.org。样本采集的具体地点、时间、机构与伦理审批信息源站未提供。测序策略为大规模并行 DNA 测序，测序对象为四名无亲缘关系个体的外显子序列。样本纳入标准与排除标准源站未提供。
【适用场景】
基于项目目标，该数据集适用于肢体畸形（出生缺陷）病因与发病机制的研究场景，尤其是肢体模式异常如肢体缺失/重复及多发性先天挛缩的遗传学分析；也适用于 Freeman Sheldon 综合征（OMIM: 193700）相关的外显子水平遗传变异研究。此外，主题标签为 Genomic，提示其可用于基因组学相关分析。其他具体应用场景源站未提供。
【使用方法】
源站未提供具体的使用方法说明，包括数据下载方式、文件格式、分析流程与推荐工具等均未提及。
【质量与限制】
该数据集样本量为四名无亲缘关系个体，其中三名罹患 Freeman Sheldon 综合征。关于数据质量指标（如测序深度、覆盖均匀性、变异检出准确性）以及使用限制，源站未提供。由于样本数量有限，相关结论的外推需谨慎，但此点属于基于样本量的通用提示，源站未就质量与限制作出具体说明。
【引用与许可】
源站未提供引用方式与许可信息。
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://omicsdi.org/dataset/dbgap/phs000204
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
本项目的总体目标是探究肢体畸形（即出生缺陷）的病因与发病机制，重点研究肢体模式形成异常，如肢体缺失/重复及多发性先天性挛缩。通过大规模并行DNA测序获得了四名无亲缘关系个体的外显子组序列。其中三名个体患有弗里曼-谢尔顿综合征（OMIM：193700）。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
