PrionNER
收藏资源简介：
PrionNER是一个专门针对朊病毒病生物医学文献的命名实体识别（NER）数据集，旨在支持从相关科学文献中自动识别和分类关键生物医学实体。数据内容基于已发表的生物医学文献（可能源自PubMed/MEDLINE），并经过人工标注。数据集共包含317个文档，划分为247个训练文档和70个测试文档。它提供了两种不同粒度的标注方案：细粒度模式定义了31种实体类型（实际发布数据中观察到30种），粗粒度模式包含15种实体类型。实体标注总数分别为：训练集4,655个实体，测试集1,650个实体，其中包含少量不连续实体（训练集97个，测试集34个）。数据以JSON格式提供，每个JSON文档包含文档ID、完整文本以及实体标注列表（包括实体ID、类型标签、字符偏移量、表面形式和跨度信息）。数据集适用于命名实体识别任务，特别是在生物医学文本挖掘和朊病毒病研究领域。数据发布包含原始BRAT格式、纯文本和CoNLL格式的辅助文件。请注意，数据集的标注层计划采用CC BY 4.0许可，但底层文献源文本的版权仍归原始出版者所有，使用时需遵守相应的许可条款并适当致谢数据来源（如美国国家医学图书馆）。
PrionNER is a named entity recognition (NER) dataset specifically designed for biomedical literature on prion diseases. It aims to support the automatic identification and classification of key biomedical entities from relevant scientific literature. The data is based on published biomedical literature (likely sourced from PubMed/MEDLINE) and has been manually annotated. The dataset contains a total of 317 documents, divided into 247 training documents and 70 test documents. It offers two annotation schemes with different granularities: a fine-grained mode defining 31 entity types (30 observed in the released data) and a coarse-grained mode containing 15 entity types. The total number of entity annotations is 4,655 for the training set and 1,650 for the test set, including a small number of discontinuous entities (97 in training, 34 in test). The data is provided in JSON format, with each JSON document including the document ID, full text, and a list of entity annotations (including entity ID, type label, character offsets, surface form, and span information). The dataset is suitable for named entity recognition tasks, particularly in the fields of biomedical text mining and prion disease research. The data release includes auxiliary files in original BRAT format, plain text, and CoNLL format. Note that the annotation layer of the dataset is planned to be licensed under CC BY 4.0, but the copyright of the underlying source text from the literature remains with the original publishers; users must comply with the corresponding license terms and appropriately acknowledge the data sources (e.g., the U.S. National Library of Medicine).
PrionNER 数据集概述
PrionNER 是一个面向朊病毒疾病（prion disease）生物医学文献的命名实体识别（NER）数据集。该数据集随同名论文发布，提供数据集的 Hugging Face 版本。
基本统计
- 文档总数：317份
- 训练集：247份文档
- 测试集：70份文档
- 细粒度标签：定义了31个标签，在发布数据中观察到30个（
VPSPr标签未出现） - 粗粒度标签：15个标签
- 实体总数（精细/粗粒度）：训练集4,655个，测试集1,650个
- 非连续实体：训练集97个，测试集34个
配置与加载
数据集提供两种主要配置，可通过 datasets 库加载：
fine：细粒度标注的JSON文档（含train/test划分）coarse：粗粒度标注的JSON文档（含train/test划分）
加载示例： python from datasets import load_dataset
fine = load_dataset("daotuanan/PrionNER", "fine") coarse = load_dataset("daotuanan/PrionNER", "coarse")
数据格式
每个JSON文档包含以下字段：
doc_id：文档标识符text：完整文档文本entities：实体注释列表
每个实体包含：
id：原始BRAT实体IDlabel：实体类型start,end：文档级字符偏移量text：实体表面形式spans：一个或多个跨度对象is_discontinuous：当实体跨越多个非连续片段时存在
辅助文件
仓库中还包含以下辅助发布文件：
data/raw/：原始BRAT源文件对data/raw_text/：纯文本文件data/fine/brat/和data/coarse/brat/：BRAT格式导出data/fine/conll/和data/coarse/conll/：CoNLL格式导出metadata/：模式文件、BRAT配置和摘要元数据
许可与权利
- 数据集使用
other许可，因包含混合权利数据。 - PrionNER的标注层和项目作者撰写的元数据拟在 CC BY 4.0 下发布。
- 底层文章标题、摘要及其他源文本公开包含于仓库，但并未整体重新授权。
- 请在使用前查阅
LICENSE、DATA_LICENSE.md和THIRD_PARTY_RIGHTS.md。
数据来源
部分发布文本可能源自PubMed或MEDLINE记录。若使用此类材料，请确认美国国家医学图书馆（NLM）为书目数据来源，且不得暗示NLM或美国政府的认可。
引用
若使用PrionNER，请引用该仓库及论文：
- “PrionNER: A Named Entity Recognition Dataset for Prion Disease Biomedical Literature”
bibtex @misc{dao2026prionnernamedentityrecognition, title={PrionNER: A Named Entity Recognition Dataset for Prion Disease Biomedical Literature}, author={An Dao and Nhan Ly and Thao Tran and Yuji Matsumoto and Akiko Aizawa}, year={2026}, eprint={2605.28375}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2605.28375}, }
