有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Comparative Toxicogenomics Database (CTD)|毒理学数据集|环境健康数据集
收藏ctdbase.org2025-03-04 收录
下载链接：
http://ctdbase.org/
下载链接
链接失效反馈资源简介：
Comparative Toxicogenomics Database（CTD）是一个公开的综合性数据库，专注于研究环境暴露与人类健康之间的关系。该数据库整合了化学物质、基因、疾病、通路等多维度信息，支持用户查询基因与疾病、化学物质与疾病以及化学物质与基因之间的相互作用，为毒理学研究和环境健康效应研究提供了重要资源。其最新成果包括2025年发布的20周年更新版本，进一步扩展了数据内容和功能。
提供机构：
ctdbase.org
AI搜集汇总
数据集介绍
构建方式
Comparative Toxicogenomics Database（CTD）之构建，乃是通过搜集整合生物信息学、化学信息学及毒理学之数据，构建起一个多层面、多维度的数据库。该数据库详尽地汇集了化学物质、基因及疾病之间的相互关系，采用先进的数据挖掘与自然语言处理技术，从科学文献中提取相关信息，实现了数据间的链接与映射。
特点
CTD数据库显著的特点在于其内容的全面性及关联性。其不仅包含了大量的化学物质、基因及疾病数据，更重要的是，它揭示了这三者之间的复杂交互网络。数据库定期更新，确保了信息的时效性与准确性，为研究者提供了一个深入探索毒理学领域的宝贵资源。
使用方法
使用CTD数据库，研究者可借助其用户友好的界面进行简单的查询，或通过编程接口进行复杂的数据挖掘。数据库提供了详尽的搜索功能，用户可以根据化学物质、基因或疾病进行检索，亦可进行路径分析，探究不同生物分子间的相互作用，从而为毒理研究及药物开发提供了有力的数据支撑。
背景与挑战
背景概述
Comparative Toxicogenomics Database（CTD）是一项旨在揭示化学物质与基因、疾病之间相互作用的数据库，创建于2005年，由美国Mount Desert Island生物实验室维护。该数据库集合了毒理学、基因学以及化学信息学等多个领域的研究成果，核心研究问题在于探索化学物质如何影响生物体的基因表达，进而引发疾病。CTD的建立为相关领域的研究人员提供了一个宝贵的资源，对毒理学、环境健康以及药物研发等领域产生了深远的影响。
当前挑战
CTD数据集在构建过程中面临的挑战主要包括：1）化学物质、基因和疾病之间的关联信息复杂，需要高度精准的数据整合和注释；2）数据来源的多样性和异质性，对数据清洗和标准化提出了极高的要求；3）随着新研究的不断涌现，数据集的实时更新和准确性维护成为一大挑战。在所解决的领域问题方面，CTD需处理如何将海量的化学信息与生物学数据有效结合，以支持对化学物质毒性的精确预测。
发展历史
创建时间与更新
Comparative Toxicogenomics Database（简称CTD）的创建始于2000年，其旨在整合化学物质、基因、疾病之间的关联数据。自创立以来，CTD不断更新，最近的一次更新时间为2023。
重要里程碑
CTD的发展历程中，标志性事件包括2002年首次公开发布数据库，此后每年更新数据，逐渐成为毒理学和基因学领域的重要资源。2010年，CTD拓展了其数据覆盖范围，增加了化学物质的生物活性数据，极大地丰富了数据库内容。
当前发展情况
目前，CTD已成为全球范围内毒理学和基因互作研究领域的重要数据集，为科学家提供了宝贵的研究资源。其对药物安全性评估、疾病机制研究以及新药开发等领域做出了重要贡献，推动了相关学科的发展。
发展历程
- Comparative Toxicogenomics Database (CTD) 创建并首次公开发布。
- CTD 数据库进行了重要的数据结构和内容更新。
- CTD 数据库扩展了其毒理学数据，增加了药物-基因相互作用的信息。
- CTD 数据库集成基因组学数据，提升了其在毒理学研究中的应用价值。
- CTD 数据库增加了化学物质的生物活性数据，丰富了数据库内容。
- CTD 数据库完成了全面的界面更新，提升了用户体验。
常用场景
经典使用场景
在生命科学领域中，Comparative Toxicogenomics Database（CTD）作为一项宝贵的资源，其经典使用场景在于为研究者提供了一个关于化学物质、基因以及它们之间相互作用的详尽数据库。研究者们可借此深入探索毒物基因组学领域，解析特定化学物质如何影响生物体的基因表达。
实际应用
在实践应用方面，CTD数据集被广泛应用于药物研发、环境监测以及公共卫生领域。通过该数据库，科研人员可以识别出可能导致疾病的化学物质，进而为疾病预防、治疗策略的制定提供科学依据。
衍生相关工作
基于CTD的丰富数据，衍生出了众多相关的研究工作。这些工作涉及化学物质的毒性预测、基因功能注释以及疾病机制的探索，推动了毒物基因组学领域的科学研究，并为相关政策和法规的制定提供了科学参考。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国劳动力动态调查
“中国劳动力动态调查” （China Labor-force Dynamics Survey，简称 CLDS）是“985”三期“中山大学社会科学特色数据库建设”专项内容，CLDS的目的是通过对中国城乡以村/居为追踪范围的家庭、劳动力个体开展每两年一次的动态追踪调查，系统地监测村/居社区的社会结构和家庭、劳动力个体的变化与相互影响，建立劳动力、家庭和社区三个层次上的追踪数据库，从而为进行实证导向的高质量的理论研究和政策研究提供基础数据。
中国学术调查数据资料库 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
HazyDet
HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
arXiv 收录
PDT Dataset
PDT数据集是由山东计算机科学中心（国家超级计算济南中心）和齐鲁工业大学（山东省科学院）联合开发的无人机目标检测数据集，专门用于检测树木病虫害。该数据集包含高分辨率和低分辨率两种版本，共计5775张图像，涵盖了健康和受病虫害影响的松树图像。数据集的创建过程包括实地采集、数据预处理和人工标注，旨在为无人机在农业中的精准喷洒提供高精度的目标检测支持。PDT数据集的应用领域主要集中在农业无人机技术，旨在提高无人机在植物保护中的目标识别精度，解决传统检测模型在实际应用中的不足。
arXiv 收录
波士顿房价数据集
波士顿房价数据集是一个经典的机器学习数据集，通常用于回归任务，尤其是房价预测。下方文档中有所有字段顺序的描述。
阿里云天池 收录