alphagenome_dataset

<p align="center"> <strong> <span style="font-size: 30px;">AlphaGenome Dataset</span> </strong> </p> ## 数据集介绍 AlphaGenome Dataset 是供 OneScience AlphaGenome 模型使用的参考基因组、注释文件和 TFRecord 数据整理包。本仓库提供 HOMO_SAPIENS `ALL_FOLDS/VALID` split、HOMO_SAPIENS 与 MUS_MUSCULUS 参考资源、逐文件 SHA256 清单和数据读取验证脚本。 参考资源包括人类 GRCh38.p13、小鼠 GRCm38.p6、FAI 索引、Gencode 注释、剪接位点和 polyA 注释；TFRecord 数据包含 HOMO_SAPIENS VALID split 的 12 个 bundle，每个 bundle 25 个 gzip 压缩分片。 ## 仓库说明 本数据集适配 `OneScience/alphagenome/`。模型仓库默认期望本数据集位于模型包 `data/alphagenome_dataset`，用于预检、区间推理、变异评分和轨迹预测评测。 ## 文件说明 TFRecord 文件路径形如： ```text v1/train/ALL_FOLDS/HOMO_SAPIENS/VALID/<BUNDLE>/data_chrAll_01-25.gz.tfrecord ``` Bundle 包括 ATAC、DNASE、PROCAP、CAGE、RNA_SEQ、CHIP_TF、CHIP_HISTONE、CONTACT_MAPS、SPLICE_SITES、SPLICE_SITE_USAGE、SPLICE_JUNCTIONS 和 SPLICE_SITE_POSITIONS。每条样本包含 DNA 序列、区间染色体/start/end 元数据、目标张量和 mask；dtype 与 resolution 见 `metadata/schema.yaml`。 ## 使用说明 ### 文件与下载 独立下载： ```bash modelscope download --dataset OneScience/alphagenome_dataset --local_dir . ``` 在模型包内使用： ```bash modelscope download --dataset OneScience/alphagenome_dataset --local_dir data/alphagenome_dataset ``` ### 数据放置与验证 作为模型依赖使用时，推荐目录结构： ```text <model-package>/data/alphagenome_dataset/ ├── manifest.yaml ├── metadata/ ├── reference/ └── v1/train/ALL_FOLDS/HOMO_SAPIENS/VALID/ ``` 快速验证文件存在、大小和 gzip 可读性： ```bash python scripts/validate_dataset.py --root . ``` 全量 SHA256 验证可加 `--check-sha256`。 ## OneScience 官方信息 | 平台 | OneScience 主仓库 | Skills 仓库 | |---|---|---| | Gitee | https://gitee.com/onescience-ai/onescience | https://gitee.com/onescience-ai/oneskills | | GitHub | https://github.com/onescience-ai/OneScience | https://github.com/onescience-ai/oneskills | ## 限制与许可证 当前数据整理包包含参考资源和 HOMO_SAPIENS VALID split，不包含完整 AlphaGenome 训练/测试全集。数据使用应遵守 AlphaGenome 原始数据条款和上游数据源许可；GTEx 等受限数据未包含在本整理路径中。