Shenzhi-Chen/DeepSTARR-Mouse-dataset

---
license: cc-by-4.0
language:
- en
tags:
- dna-sequence-model
- deepStarr
- genomics
- mouse
pretty_name: DeepSTARR-mouse-dataset
size_categories:
- 10M<n<100M
task_categories:
- feature-extraction
---
**Dataset Summary**

This dataset was used for training the DeepSTARR-Mouse model for predicting chromatin accessibility and enhancer activity.

**Source Data**

Sequences were derived from **Gorkin et al.**, *Nature* (2020) (https://doi.org/10.1038/s41586-020-2093-3) and the **VISTA Enhancer Browser** (https://enhancer.lbl.gov/). The data were further processed to generate tissue-specific activity and accessibility annotations.

**License**

CC BY 4.0 (Attribution required). For research use only.

**Intended Use**

This dataset is provided for scientific and reproducibility purposes accompanying our publication in *Nature genetics*.

**Citation**

Please cite our paper:
[citation once published]

**Accessibility Model Dataset**

The Accessibility_model_dataset provides the training data for the sequence-to-accessibility model.
It includes data from six tissues — **heart, limb, midbrain(CNS), forebrain, hindbrain and neural tube** — each organized into three cross-validation folds.
For each tissue and fold, the dataset contains three subsets: **training, validation, and test**.
Each subset includes:

a **FASTA file** containing DNA sequences, and
a **TXT file** containing the corresponding chromatin accessibility values.
In total, there are 18 files per tissue (3 folds × 3 subsets × 2 file types).

**Activity Model Dataset**

The Activity_model_dataset provides the training data for the sequence-to-activity model.
It follows the same structure as the accessibility dataset, including data for **heart, limb, and midbrain(CNS), forebrain, hindbrain and neural tube**, each with three cross-validation folds.
For each fold, there are **training, validation, and test** subsets.
Each subset contains:

a **FASTA file** with DNA sequences, and
a **TXT file** with the corresponding enhancer activity values.
This organization results in 18 files per tissue (3 folds × 3 subsets × 2 file types).

**Test dataset**

The test dataset provides the randomly 600k generated sequences which used for enhancer activity model evaluation. all_vista_seq.fa are all vista sequences which were used to randomly generate design starting sequences.

许可证：CC BY 4.0
语言：
- 英语
标签：
- DNA序列模型（DNA sequence model）
- DeepSTARR
- 基因组学（genomics）
- 小鼠（mouse）
友好名称：DeepSTARR小鼠数据集（DeepSTARR-mouse-dataset）
样本量范围：1000万 < 样本量 < 1亿
任务类别：
- 特征提取（feature-extraction）

**数据集概述**

本数据集用于训练DeepSTARR小鼠模型，以预测染色质可及性（chromatin accessibility）与增强子活性（enhancer activity）。

**源数据**

序列源自Gorkin等人发表于《自然》（Nature）2020年的研究（https://doi.org/10.1038/s41586-020-2093-3）以及VISTA增强子浏览器（https://enhancer.lbl.gov/）。后续对数据进行了进一步处理，以生成组织特异性的活性与可及性注释。

**许可证**

采用CC BY 4.0协议（需注明原作者），仅可用于科研用途。

**预期用途**

本数据集旨在配合我们发表于《自然·遗传学》（Nature Genetics）的研究，用于科学研究与结果可重复性验证。

**引用方式**

请引用我们的论文：[待论文正式发表后补充引用信息]

**可及性模型数据集**

可及性模型数据集为序列到可及性模型（sequence-to-accessibility model）提供训练数据。其包含6种组织的数据——**心脏、肢体、中脑（中枢神经系统，CNS）、前脑、后脑以及神经管**，每种组织均划分为3个交叉验证折（cross-validation folds）。针对每种组织与折数，数据集包含三个子集：**训练集、验证集与测试集**。每个子集包含：
一个存储DNA序列的FASTA文件（FASTA），以及一个存储对应染色质可及性数值的TXT文件（TXT）。
单种组织总计包含18个文件（3个折 × 3个子集 × 2种文件类型）。

**活性模型数据集**

活性模型数据集为序列到活性模型（sequence-to-activity model）提供训练数据。其结构与可及性数据集一致，包含上述6种组织的数据，每种组织均设有3个交叉验证折。每个折下包含训练、验证与测试三个子集。每个子集包含：
一个存储DNA序列的FASTA文件（FASTA），以及一个存储对应增强子活性数值的TXT文件（TXT）。该组织方式使得单种组织总计拥有18个文件（3个折 × 3个子集 × 2种文件类型）。

**测试数据集**

测试数据集包含随机生成的60万条序列，用于评估增强子活性模型。all_vista_seq.fa为所有用于随机生成设计起始序列的VISTA序列。