genbio-ai/rna-downstream-tasks

AIDO.RNA基准数据集包含多个与mRNA和RNA功能预测相关的任务。mRNA相关任务包括翻译效率预测、mRNA表达水平预测、平均核糖体负载预测、转录本丰度预测和蛋白质丰度预测。RNA功能预测任务包括跨物种剪接位点预测、ncRNA家族分类和RNA修饰位点预测。每个任务都有相应的数据集配置和文件路径，支持交叉验证和不同物种的测试。

The AIDO.RNA benchmark dataset includes multiple tasks related to mRNA and RNA function prediction. mRNA-related tasks include translation efficiency prediction, mRNA expression level prediction, mean ribosome load prediction, transcript abundance prediction, and protein abundance prediction. RNA function prediction tasks include cross-species splice site prediction, ncRNA family classification, and RNA modification site prediction. Each task has corresponding dataset configurations and file paths, supporting cross-validation and testing across different species.

搜集汇总

数据集介绍

构建方式

在RNA功能基因组学研究中，多维度、跨物种的基准数据集对于评估和推动计算模型的发展至关重要。该数据集整合了来自多项前沿研究的RNA下游任务数据，构建方式严谨而系统。具体而言，数据集涵盖了mRNA相关任务，如翻译效率、表达水平及核糖体负载预测，这些任务基于Chu等人和Sample等人的工作，采用了10折或5折交叉验证的划分策略，确保了训练与评估的可靠性。此外，RNA功能预测任务包括跨物种剪接位点预测、非编码RNA家族分类及修饰位点预测，这些数据遵循Wang等人设定的基准，并引入了不同水平的边界噪声和多种修饰标签。所有数据均以TSV格式存储，通过HuggingFace Datasets库进行组织，每个子任务对应一个独立的配置名称和相应的数据文件路径。

特点

该数据集最显著的特点在于其多维度和跨物种的丰富性，为RNA研究提供了全面的基准测试平台。它整合了mRNA层面的表达、翻译和负载预测任务，覆盖了HEK、Muscle、pc3等多种细胞系，以及拟南芥、果蝇、大肠杆菌等多个物种的转录本和蛋白质丰度数据。在RNA功能预测方面，数据集囊括了剪接位点、非编码RNA家族和12种RNA修饰位点等关键任务，其中剪接位点预测特别包含了斑马鱼、果蝇、线虫和植物等四种跨物种测试集，以评估模型的泛化能力。非编码RNA分类任务引入了0和200两种边界噪声水平，模拟了真实场景下的数据不确定性。这些特点使得该数据集成为评估RNA基础模型在下游任务中性能的权威基准。

使用方法

该数据集通过HuggingFace Datasets库进行加载和使用，用户可以根据具体任务需求选择相应的配置。例如，使用`load_dataset("genbio-ai/rna-downstream-tasks", "expression_HEK")`即可加载HEK细胞系的表达水平预测数据。每个配置已预设了训练集、验证集和测试集的划分，用户无需自行拆分。对于剪接位点预测等任务，测试集还按物种进行了细分，便于进行跨物种评估。数据格式为TSV，包含序列和标签列，可直接用于训练和评估模型。建议用户根据任务类型（如回归或分类）选择合适的损失函数和评价指标，并参考原始文献中的实验设置进行超参数调优。

背景与挑战

背景概述

随着高通量测序技术的迅猛发展，RNA在基因表达调控、翻译效率及修饰机制中的核心作用日益凸显，催生了大量基于序列的预测任务。在此背景下，genbio-ai/rna-downstream-tasks数据集应运而生，由GenBio.AI团队整合构建，旨在为RNA下游分析提供标准化评测基准。该数据集涵盖mRNA表达水平、翻译效率、核糖体负载、转录本丰度、剪接位点识别、非编码RNA家族分类及修饰位点预测等多元任务，数据来源广泛，涉及人类、小鼠、斑马鱼等多种模式生物。其发布标志着RNA计算生物学迈向统一评估体系的重要一步，为预训练模型如5′UTR语言模型和Codon嵌入方法的性能验证提供了权威平台。

当前挑战

该数据集面临的核心挑战之一在于领域问题的复杂性与多样性。不同任务间输入序列长度、生物学语义及标签分布差异显著，例如剪接位点预测需处理跨物种的pre-mRNA片段，而修饰位点预测则需同时识别12种不同类型的RNA化学修饰，这对模型的泛化能力提出严苛要求。构建过程中亦遭遇诸多困难，包括跨物种数据的不平衡性、标签注释噪声（如边界噪声200的ncRNA分类）、以及来自不同实验平台（如GSE114002）的异质性数据整合。此外，丰度预测任务中对标签进行对数变换虽缓解了偏态分布，却可能引入信息损失，如何平衡预处理与生物学原始信号成为持续挑战。

常用场景

经典使用场景

在RNA生物学与计算生物学的交叉领域，genbio-ai/rna-downstream-tasks数据集被广泛用于评估和微调RNA基础模型在下游任务中的表现。该数据集整合了mRNA表达水平、翻译效率、核糖体负载、转录本丰度与蛋白质丰度等多项定量预测任务，覆盖HEK、Muscle、pc3等多种细胞系及拟南芥、果蝇、人类等多个物种。研究者常利用其十折交叉验证与五折交叉验证划分，系统性地检验模型对5'UTR与CDS序列特征的编码能力，从而衡量模型在基因表达调控机制解析中的泛化性能。

解决学术问题

该数据集精准回应了RNA研究领域中长期存在的关键学术难题，即如何从序列信息出发，实现对RNA功能与调控属性的精准预测。传统实验手段通量低、成本高，难以覆盖大规模基因组的调控元件。通过提供统一标准化的跨物种、跨细胞系数据集，研究者得以系统探究5'UTR与CDS序列对翻译效率、mRNA稳定性及蛋白质丰度的调控规律，进而揭示基因表达调控的深层机制。该数据集的构建推动了RNA语言模型在无监督预训练后向有监督下游任务的迁移学习范式，显著提升了预测的准确性与可解释性。

衍生相关工作

该数据集的发布催生了一系列具有深远影响的经典研究工作。Chu等人（2024）基于5'UTR语言模型对翻译效率与表达水平进行解码，开创了UTR序列功能预测的新范式。Sample等人（2019）利用大规模平行翻译实验构建的人类5'UTR数据集，为变异效应预测奠定了数据基础。Outeiral与Deane（2024）提出的密码子语言嵌入方法，揭示了CDS序列在蛋白质工程中的强信号。Wang等人（2023）的Uni-RNA预训练模型，借助该数据集实现了跨物种RNA功能预测的突破。Scalzitti等人（2021）开发的Spliceator工具，则利用卷积神经网络在多物种剪接位点预测中取得了卓越性能。