Malaria Anopheles gambiae oocyst NIR

333

samples

2,151

wavelengths

sources

targets

metadata

NIR

family

Dataset property explorer

Mean profile risk0.49

Highest axisArtefacts locaux · 1.00

Diagnostics8

Sources profiled1

Profile axes

Intégrité	0.00
Artefacts locaux	1.00
Bruit	0.00
Outliers PCA	0.67
Distance à la référence	1.00
Répétabilité	0.00
Baseline / forme	0.38
Structure multi-régimes	0.88

Diagnostic	Score	Force	Signaux	Interprétation probable
Splice / raccord détecteursX	0.87	forte	Spike rate 1.00, Jump rate 1.00, RMS/SAM référence 1.00	Rupture aux jonctions de détecteurs, calibration locale ou sonde différente.
Erreur interpolation / rééchantillonnageX	0.68	moyenne	Spike rate 1.00, Jump rate 1.00, SNR normal/élevé 1.00	Artefacts numériques ou traitement spectral incorrect.
Signature VERA25-likeX	0.66	moyenne	Spike rate 1.00, Jump rate 1.00, RMS/SAM référence 1.00	Combinaison possible changement de sonde + splice, amplifiée par géométrie, fond ou calibration.
Dataset multi-régimesX	0.57	moyenne	RMS/SAM référence 1.00, Structure PCA 0.88, PCA Q 0.67	Mélange de campagnes, opérateurs, lots, setups ou sous-populations spectrales.
Erreur calibration / référence blancheX	0.56	moyenne	RMS/SAM référence 1.00, artefacts locaux 1.00, PCA Q 0.67	Décalage systématique entre campagnes, instruments ou référence blanche.
Spectre hors domaine valideX	0.54	moyenne	RMS/SAM référence 1.00, Structure PCA 0.88, Mahalanobis / T2 0.54	Variété, espèce, lot ou condition différente mais physiquement plausible.
Différence de sonde / géométrieX	0.52	moyenne	RMS/SAM référence 1.00, PCA Q 0.67, Mahalanobis / T2 0.54	Modification de l'illumination, collecte, angle ou distance sonde-échantillon.
Fond différentX	0.50	moyenne	RMS/SAM référence 1.00, PCA Q 0.67, Mahalanobis / T2 0.54	Effet systématique du support, blanc/noir, transflectance ou environnement de mesure.

Spectral sources

malaria_nir

X · NIR · NIR

Sampling

Wavelengths	2,151
Axis range	350–2,500 none
Mean spacing	1 none
Grid	uniform
Observations	333

Signal & quality

Value range	0.209 – 10
Mean range	0.381 – 1.32
Mean level	0.6714
Area	1443
PTP	0.9388
Noise RMS	4.1434e-05
SNR	1.6e+04
SNR dB	8e+01 dB
Dynamic range	0.939
Smoothness	0.01031
Saturated	0.0%
X-outliers	163

Integrity & artefacts

NaN ratio	0.00%
Inf count	0
Zero ratio	0.00%
Spike count	50,735
Spike rate	7.09%
Jump count	21,781
Jump rate	3.04%
Clip fraction	0.00%

Shape & reference

Baseline slope	0.035997
Curvature RMS	0.0046728
D1 RMS	0.0039792
RMS to mean	0.12124
RMS p95	0.29516
SAM to mean	0.064062
SAM p95	0.13664
Affine offset p95	0.28326
Affine gain p95 Δ	0.66378
Affine residual p95	0.060536
Xcorr lag p95	0

Outliers & repeatability

PCA Q p95/median	5.4
Hotelling T2 p95/median	4.3
Mahalanobis H p95/median	2.1
Repeat groups	0

Dimensionality (PCA)

Effective rank	1.7
PCs → 95% var	3
PCs → 99% var	5
Top-10 cum. var	99.9%

Computed metric scores 29worst 1.00

Famille	Métrique calculée	Valeur	Score	Niveau	Interprétation dataset	Causes typiques	Calcul / scoring
Intégrité des données	`NaN ratio`integrity.nan_ratio	0%	0.00	faible	Spectre complet	Erreur acquisition/export	count(isnan(X)) / X.sizealert = min(1, nan_ratio / 0.05)
Intégrité des données	`Inf count`integrity.inf_count	0	0.00	faible	Normal	Calculs invalides	count(isinf(X))alert = min(1, inf_count / 1)
Intégrité des données	`Zero ratio`integrity.zero_ratio	0%	0.00	faible	Normal	Export, saturation	count(X == 0) / count(finite X)alert = min(1, zero_ratio / 0.05)
Amplitude globale	`Mean reflectance`amplitude.mean_reflectance	0.67138	0.38	faible	Trop sombre	Fond, géométrie	mean(X finite)alert reuses baseline/shape drift because absolute reflectance ranges are technology-dependent
Amplitude globale	`Area under curve`amplitude.area_under_curve	1443	0.38	faible	Normal	Distance sonde	trapezoid(mean_spectrum, spectral_axis)alert reuses baseline/shape drift because area scale depends on axis and units
Amplitude globale	`Peak-to-peak (PTP)`amplitude.peak_to_peak	0.9388	0.00	faible	Variabilité forte	Saturation	max(mean_spectrum) - min(mean_spectrum)alert increases when dynamic range is abnormally flat
Amplitude globale	`Variance`amplitude.variance	0.059252	0.00	faible	Normal ou hétérogène	Mauvais contact	var(X finite)alert increases when variance/dynamic range is abnormally flat
Bruit	`Noise RMS`noise.noise_rms	4.1434e-05	0.00	faible	Stable	Lampe, détecteur	median MAD(second derivative) * 1.4826 / sqrt(6)alert = noise_rms / signal_scale, saturated at 5%
Bruit	`SNR`noise.snr	16204	0.00	faible	Bon signal	Acquisition	mean(abs(X)) / noise_rmsalert decreases with SNR dB; >=40 dB is treated as low alert
Bruit	`Bandwise SNR`noise.bandwise_snr_min	28.502	0.17	faible	Zone fiable	Détecteur	min(abs(mean_spectrum) / local second-derivative noise)alert decreases with worst-band SNR dB; >=35 dB is treated as low alert
Artefacts locaux	`Spike count`artefacts.spike_count	50,735	1.00	fort	Artefacts	Cosmic rays, splice	count robust outliers in second derivativealert follows spike_rate, saturated at 1%
Artefacts locaux	`Spike rate`artefacts.spike_rate	7.09%	1.00	fort	Spectre suspect	Interpolation	spike_count / (n_samples * (n_features - 2))alert = min(1, spike_rate / 0.01)
Artefacts locaux	`Jump count`artefacts.jump_count	21,781	1.00	fort	Raccord détecteur	Splice	count robust outliers in first derivativealert follows jump_rate, saturated at 1%
Artefacts locaux	`Jump rate`artefacts.jump_rate	3.04%	1.00	fort	Problème spectral	Calibration	jump_count / (n_samples * (n_features - 1))alert = min(1, jump_rate / 0.01)
Artefacts locaux	`Clip fraction`artefacts.clip_fraction	0.00154%	0.00	faible	Normal	Détecteur saturé	fraction of finite cells equal to repeated min/max extremaalert = min(1, clip_fraction / 0.01)
Forme spectrale	`Baseline slope`shape.baseline_slope	0.035997	0.08	faible	Stable	Éclairement	linear slope of mean_spectrum over normalized axisalert = abs(slope / signal_scale), saturated at 0.5
Forme spectrale	`Curvature RMS`shape.curvature_rms	0.0046728	0.50	moyen	Forme inhabituelle	Fond, splice	median RMS(second derivative per spectrum)alert = curvature_rms / signal_scale, saturated at 1%
Forme spectrale	`D1 RMS`shape.d1_rms	0.0039792	0.08	faible	Plat	Biologie ou artefact	median RMS(first derivative per spectrum)alert = d1_rms / signal_scale, saturated at 5%
Outliers multivariés	`PCA Q (SPE)`outliers.pca_q_ratio	5.3688	0.67	moyen	Spectre atypique	Artefact, mélange	p95(Q/SPE residual) / median(Q/SPE residual)alert = min(1, pca_q_ratio / 8)
Outliers multivariés	`Hotelling T²`outliers.hotelling_t2_ratio	4.2976	0.54	moyen	Extrême mais cohérent	Variabilité naturelle	p95(Hotelling T2) / median(Hotelling T2)alert = min(1, hotelling_t2_ratio / 8)
Outliers multivariés	`Mahalanobis H`outliers.mahalanobis_h_ratio	2.0729	0.52	moyen	Outlier global	Domaine différent	p95(sqrt(T2)) / median(sqrt(T2))alert = min(1, mahalanobis_h_ratio / 4)
Comparaison à référence	`RMS to mean spectrum`reference.rms_to_mean_spectrum_p95	0.29516	1.00	fort	Spectre différent	Domain shift	p95 RMS distance to dataset mean spectrumalert = RMS_p95 / signal_scale, saturated at 25%
Comparaison à référence	`Spectral Angle Mapper (SAM)`reference.sam_to_mean_spectrum_p95	0.13664	0.39	faible	Similaire	Fond, géométrie	p95 spectral angle to dataset mean spectrumalert = min(1, SAM_p95 / 0.35 rad)
Répétabilité	`RMS intra-ID`repeatability.rms_intra_id	—	0.00	faible	Stable	Positionnement	median RMS distance to repeated-sample centroidalert = RMS_intra_ID / signal_scale, saturated at 10%
Répétabilité	`SAM intra-ID`repeatability.sam_intra_id	—	0.00	faible	Stable	Acquisition	median SAM to repeated-sample centroidalert = min(1, SAM_intra_ID / 0.15 rad)
Répétabilité	`CV intra-ID`repeatability.cv_intra_id	—	0.00	faible	Stable	Opérateur	median within-ID band CValert = min(1, CV_intra_ID / 0.25)
Structure du dataset	`PCA score density`structure.pca_score_density	1.1161	0.88	fort	Sous-populations	Lots différents	1 / median kNN distance in PCA score spacealert follows density_cv/profile structure complexity, not raw density alone
Structure du dataset	`Local Outlier Factor (LOF)`structure.local_outlier_factor_p95	2.6404	0.82	fort	Spectre isolé	Cas rares	p95 approximate LOF from PCA-score kNN distancesalert = min(1, max(0, LOF_p95 - 1) / 2)
Structure du dataset	`Isolation Forest score`structure.isolation_forest_score_p95	0.56742	0.88	fort	Spectre atypique	Diverses causes	p95 IsolationForest anomaly score on PCA scoresalert follows structure complexity; raw score is implementation-dependent

X-Y spectral correlation 1

Target	max \|r\|	axis @ max	mean \|r\|	\|r\| ≥ .5
x	0.134	350	0.0415	0.0%

Metric interpretation reference

Metric catalog 29

Famille	Métrique	Ce qu’elle détecte	Forte valeur =	Faible valeur =	Causes typiques	Calcul / score
Intégrité des données	`NaN ratio`	Données manquantes	Spectre corrompu	Spectre complet	Erreur acquisition/export	count(isnan(X)) / X.sizealert = min(1, nan_ratio / 0.05)
Intégrité des données	`Inf count`	Valeurs infinies	Corruption	Normal	Calculs invalides	count(isinf(X))alert = min(1, inf_count / 1)
Intégrité des données	`Zero ratio`	Colonnes ou cellules nulles	Spectre tronqué	Normal	Export, saturation	count(X == 0) / count(finite X)alert = min(1, zero_ratio / 0.05)
Amplitude globale	`Mean reflectance`	Niveau moyen	Trop clair / fond visible	Trop sombre	Fond, géométrie	mean(X finite)alert reuses baseline/shape drift because absolute reflectance ranges are technology-dependent
Amplitude globale	`Area under curve`	Intensité globale	Différence d'éclairement	Normal	Distance sonde	trapezoid(mean_spectrum, spectral_axis)alert reuses baseline/shape drift because area scale depends on axis and units
Amplitude globale	`Peak-to-peak (PTP)`	Dynamique	Variabilité forte	Spectre plat	Saturation	max(mean_spectrum) - min(mean_spectrum)alert increases when dynamic range is abnormally flat
Amplitude globale	`Variance`	Variabilité spectrale	Normal ou hétérogène	Spectre plat	Mauvais contact	var(X finite)alert increases when variance/dynamic range is abnormally flat
Bruit	`Noise RMS`	Bruit haute fréquence	Bruité	Stable	Lampe, détecteur	median MAD(second derivative) * 1.4826 / sqrt(6)alert = noise_rms / signal_scale, saturated at 5%
Bruit	`SNR`	Qualité signal	Bon signal	Mauvais signal	Acquisition	mean(abs(X)) / noise_rmsalert decreases with SNR dB; >=40 dB is treated as low alert
Bruit	`Bandwise SNR`	Bruit localisé	Zone fiable	Zone problématique	Détecteur	min(abs(mean_spectrum) / local second-derivative noise)alert decreases with worst-band SNR dB; >=35 dB is treated as low alert
Artefacts locaux	`Spike count`	Pics étroits	Artefacts	Spectre propre	Cosmic rays, splice	count robust outliers in second derivativealert follows spike_rate, saturated at 1%
Artefacts locaux	`Spike rate`	Densité de pics	Spectre suspect	Normal	Interpolation	spike_count / (n_samples * (n_features - 2))alert = min(1, spike_rate / 0.01)
Artefacts locaux	`Jump count`	Discontinuités	Raccord détecteur	Continu	Splice	count robust outliers in first derivativealert follows jump_rate, saturated at 1%
Artefacts locaux	`Jump rate`	Fréquence de sauts	Problème spectral	Normal	Calibration	jump_count / (n_samples * (n_features - 1))alert = min(1, jump_rate / 0.01)
Artefacts locaux	`Clip fraction`	Saturation	Clipping	Normal	Détecteur saturé	fraction of finite cells equal to repeated min/max extremaalert = min(1, clip_fraction / 0.01)
Forme spectrale	`Baseline slope`	Pente globale	Dérive	Stable	Éclairement	linear slope of mean_spectrum over normalized axisalert = abs(slope / signal_scale), saturated at 0.5
Forme spectrale	`Curvature RMS`	Courbure	Forme inhabituelle	Lisse	Fond, splice	median RMS(second derivative per spectrum)alert = curvature_rms / signal_scale, saturated at 1%
Forme spectrale	`D1 RMS`	Variabilité locale	Spectre structuré	Plat	Biologie ou artefact	median RMS(first derivative per spectrum)alert = d1_rms / signal_scale, saturated at 5%
Outliers multivariés	`PCA Q (SPE)`	Non expliqué par PCA	Spectre atypique	Conforme	Artefact, mélange	p95(Q/SPE residual) / median(Q/SPE residual)alert = min(1, pca_q_ratio / 8)
Outliers multivariés	`Hotelling T²`	Extrême dans PCA	Extrême mais cohérent	Central	Variabilité naturelle	p95(Hotelling T2) / median(Hotelling T2)alert = min(1, hotelling_t2_ratio / 8)
Outliers multivariés	`Mahalanobis H`	Distance au nuage	Outlier global	Population normale	Domaine différent	p95(sqrt(T2)) / median(sqrt(T2))alert = min(1, mahalanobis_h_ratio / 4)
Comparaison à référence	`RMS to mean spectrum`	Distance moyenne	Spectre différent	Typique	Domain shift	p95 RMS distance to dataset mean spectrumalert = RMS_p95 / signal_scale, saturated at 25%
Comparaison à référence	`Spectral Angle Mapper (SAM)`	Différence de forme	Forme différente	Similaire	Fond, géométrie	p95 spectral angle to dataset mean spectrumalert = min(1, SAM_p95 / 0.35 rad)
Répétabilité	`RMS intra-ID`	Reproductibilité	Mauvaise répétabilité	Stable	Positionnement	median RMS distance to repeated-sample centroidalert = RMS_intra_ID / signal_scale, saturated at 10%
Répétabilité	`SAM intra-ID`	Variation de forme	Instable	Stable	Acquisition	median SAM to repeated-sample centroidalert = min(1, SAM_intra_ID / 0.15 rad)
Répétabilité	`CV intra-ID`	Variabilité interne	Mauvais contrôle	Stable	Opérateur	median within-ID band CValert = min(1, CV_intra_ID / 0.25)
Structure du dataset	`PCA score density`	Clusters	Sous-populations	Homogène	Lots différents	1 / median kNN distance in PCA score spacealert follows density_cv/profile structure complexity, not raw density alone
Structure du dataset	`Local Outlier Factor (LOF)`	Anomalie locale	Spectre isolé	Population normale	Cas rares	p95 approximate LOF from PCA-score kNN distancesalert = min(1, max(0, LOF_p95 - 1) / 2)
Structure du dataset	`Isolation Forest score`	Anomalie globale	Spectre atypique	Normal	Diverses causes	p95 IsolationForest anomaly score on PCA scoresalert follows structure complexity; raw score is implementation-dependent

Technology-specific extensions

Technologie	Adaptations / métriques	Anomalies ciblées	Commentaire pratique
UV-Vis 300-1000 nm	Baseline, pente globale, dérive aux bords 300-350 et 900-1000; métriques par zones	Lumière parasite, mauvais blanc, saturation, faible signal aux extrémités	Les bords sont souvent instables; calculer aussi des scores edge/middle.
UV-Vis 300-1000 nm	Saturation / clipping proche absorbance max ou réflectance max	Signal écrêté	Très important si absorption forte.
UV-Vis 300-1000 nm	Red-edge, position de maximum, ratios de bandes si végétal	Décalage biologique ou artefact optique	Aide à distinguer changement réel et problème d'acquisition.
UV-Vis 300-1000 nm	Smoothness / roughness index	Bruit haute fréquence	Souvent plus informatif que le SNR seul.
MIR / ATR-FTIR	ATR contact quality index: intensité globale, aire totale, profondeur des bandes clés	Mauvais contact cristal-échantillon	Crucial: beaucoup d'anomalies viennent du contact ATR.
MIR / ATR-FTIR	CO2 / H2O atmospheric bands	Mauvaise correction atmosphérique	Pics parasites fréquents.
MIR / ATR-FTIR	Baseline curvature / rubber-band residual	Diffusion, contact, dérive baseline	Très utile avant PCA.
MIR / ATR-FTIR	Peak position shift	Mauvais alignement spectral / calibration	Important en FTIR car de petits shifts comptent.
MIR / ATR-FTIR	Band area ratios sur bandes connues	Spectre chimiquement incohérent	À adapter par matrice: polysaccharides, protéines, lipides, etc.
HS-MS	Total Ion Current (TIC), Base Peak Intensity (BPI)	Injection faible, ionisation instable	Équivalent MS du niveau global spectral.
HS-MS	Nombre de pics détectés	Spectre pauvre ou trop bruité	Trop peu = mauvais signal; trop = bruit/contamination.
HS-MS	Mass accuracy / m/z drift	Problème calibration masse	Fondamental en HRMS.
HS-MS	Retention time drift si LC/GC-MS	Dérive chromatographique	À suivre sur standards/QC pools.
HS-MS	Blank contamination score	Contaminants / carry-over	Comparer échantillons vs blancs.
HS-MS	Internal standard CV	Variabilité instrumentale	Très robuste si standards disponibles.
HS-MS	Missingness par feature	Instabilité de détection	Crucial pour filtrer les variables.
Avec répétitions	RMS intra-échantillon	Répétabilité globale	Applicable à toutes les technologies.
Avec répétitions	SAM / corrélation intra-échantillon	Répétabilité de forme	Très utile pour spectres.
Avec répétitions	CV intra-échantillon par bande / feature	Répétabilité locale	Détecte les zones instables.
Avec répétitions	ICC ou variance components	Part variance échantillon vs technique	Très utile si plusieurs répétitions par sample.
Avec répétitions	Distance au centroïde intra-ID	Répétition aberrante	Permet de flagger la mauvaise répétition plutôt que le sample entier.

Bug-hunting / supervised audits

Famille de bug potentiel	Méthodes à ajouter	Ce que ça détecte	État dans l’explorateur
Shift spectral global	Corrélation spectre moyen inter-dataset, DTW, cross-correlation, comparaison positions de pics	Décalage en longueur d'onde, mauvais alignement, interpolation différente	Partiellement calculé: cross-correlation lag et dispersion des positions de pics vs spectre moyen.
Baseline / offset / gain	Régression chaque spectre vs spectre moyen: x = a + b ref + residual; suivi de a, b, RMS résiduel	Offset additif, effet multiplicatif, dérive de baseline	Calculé dans reference.affine_*.
Mélange de lignes / mauvais appariement X-M-Y	Vérification index, hash des lignes, duplication ID, distance spectrale intra-ID, labels incohérents	Lignes mélangées, metadata mal alignées, Y attribué au mauvais spectre	Partiellement couvert par répétabilité intra-ID; checks index/hash à ajouter au pipeline canonical.
Fuite d'information / répétitions mal splitées	GroupKFold par sample_id vs StratifiedKFold random; audit des partitions par sample_id	Performance artificiellement bonne due aux répétitions	Nécessite splits et benchmark modèle; non calculé par la carte descriptive.
Label bugs	Échantillons proches en X mais Y différents, confident learning, erreurs systématiques FP/FN	Y inversés, erreurs de saisie, classes ambiguës	Nécessite Y et/ou modèle; recommandé pour l'explorateur supervisé.
Sous-domaines cachés	PCA/UMAP/t-SNE + clustering non supervisé + association avec dataset/Y/date/operator	Lots, campagnes, sondes, backgrounds non renseignés	Partiellement calculé par structure PCA/LOF; UMAP/t-SNE hors carte statique.
Artefacts localisés inconnus	Carte wavelength x dataset: différence moyenne, différence variance, KS par longueur d'onde	Régions spectrales anormales non anticipées	À calculer au niveau banque quand plusieurs datasets partagent un axe spectral.
Ruptures instrumentales	Discontinuités dans dérivées, changepoint detection	Splice, raccord détecteur, saut local non prévu	Calculé par jump/spike rates; changepoint plus avancé à ajouter.
Mélange / contamination spectrale	NMF / unmixing / reconstruction par convex hull	Composante externe: fond, plastique, sol	Non calculé automatiquement; nécessite hypothèses de composants ou grande bibliothèque.
Features instables mais prédictives	Importance modèle vs instabilité QC par variable	Modèle qui apprend un artefact plutôt qu'un signal biologique	Nécessite modèle supervisé; recommandé pour rapports de benchmark.

Variables

Targets 1

x

target · numeric

n / missing	333 / 0
Mean ± SD	2386 ± 6.74e+03
Median	38.01
Range	0 – 60,958
CV	2.83
Skew / kurtosis	5.1 / 32
Normal?	no

Metadata 4

ID1

metadata · categorical

n / missing	333 / 0
Classes	71
Balance (entropy)	0.96
Imbalance ratio	14
Top class	Minfection/113G3 (14)

ID2

metadata · numeric

n / missing	333 / 0
Mean ± SD	4.21 ± 2.81
Median	4
Range	0 – 9
CV	0.667
Skew / kurtosis	0.1 / -1.2
Normal?	no

ID

metadata · categorical

n / missing	333 / 0
Classes	274
Balance (entropy)	0.99
Imbalance ratio	2
Top class	Minfection/11310 (2)

Oocytes

metadata · numeric

n / missing	333 / 0
Mean ± SD	2386 ± 6.74e+03
Median	38.01
Range	0 – 60,958
CV	2.83
Skew / kurtosis	5.1 / 32
Normal?	no

Constant metadata 3

active_statusactive
replaces_dataset_idbacon_malaria_oocist_333_maia_classification
active_replacement_source_noterebuilt_from_existing_standardized_export_with_official_source_documented

Alignment

Alignment level	observation
Sample id available	no
Samples	333
Observations (total)	333
Reps per sample	min 1 · mean 1 · max 1

Splits

original	test: 106, train: 227 documented · not applied

Provenance & citation

Contributor	Malaria Anopheles gambiae oocyst NIR
Origin · dataverse [open]	10.7910/DVN/YD34OX — Harvard Dataverse
Origin · script [manual]	source_to_standard.py — standardization script (maintainer-only)

Governance & integrity

Tier	public
License	CC-BY-4.0
Permitted use	Research and benchmarking.
Access policy	Open per source license.
Redistribution	Rights retained from source metadata; review before public redistribution.
Content version	1.0.0
Schema / protocol	2.0
Content hash	`cd0d19fcecd86861…`
Processing hash	`941780cde2ed375f…`
Metadata hash	`e4d66c82feaed6d2…`

Load this dataset

# pip install nirs4all-datasets
from nirs4all_datasets import get

ds = get("malaria_anopheles_gambiae_oocyst_nir")            # DOI-pinned, checksum-verified, cached
X, y = ds.x(), ds.y()
print(X.shape, y.shape)

card.json croissant.jsonIdentity metadata only — the dataset bytes live at the origin / DOI.