PDBEurope/protein_structure_NER_model_v1.2

该数据集用于训练蛋白质结构命名实体识别（NER）模型，包含19种不同的实体类型，如化学物质、基因、蛋白质等。数据以IOB格式准备，并用于训练、开发和测试。此外，还提供了JSON、XML和CSV格式的数据。数据集中的文档和注释是通过TeamTat工具进行标注的，并以BioC XML格式下载后转换为其他格式。README还提供了每种格式的详细描述和示例，包括文件结构、标签和键值对的含义。

原始信息汇总

数据集概述

数据集信息

• 许可证: MIT
• 语言: 英语
• 标签: 生物学, 蛋白质结构, 标记分类
• 配置:
  • 配置名称: protein_structure_NER_model_v1.2
  • 数据文件:
    • 训练集: annotation_IOB/train.tsv
    • 开发集: annotation_IOB/dev.tsv
    • 测试集: annotation_IOB/test.tsv

实体类型

数据集中包含19种不同的实体类型：

• chemical
• complex_assembly
• evidence
• experimental_method
• gene
• mutant
• oligomeric_state
• protein
• protein_state
• protein_type
• ptm
• residue_name
• residue_name_number
• residue_number
• residue_range
• site
• species
• structure_element
• taxonomy_domain

数据格式

数据以IOB格式准备，用于训练、开发和测试。此外，还提供JSON、XML和CSV格式。

标注信息

标注使用免费标注工具TeamTat进行，文档以BioC XML格式下载，然后转换为IOB、JSON和CSV格式。

标注数量和句子数量

以下是每个文件的标注数量和句子数量：

文档ID	BioC XML标注数量	IOB/JSON/CSV标注数量	句子数量
PMC4850273	1121	1121	204
PMC4784909	865	865	204
PMC4850288	716	708	146
PMC4887326	933	933	152
PMC4833862	1044	1044	192
PMC4832331	739	718	134
PMC4852598	1229	1218	250
PMC4786784	1549	1549	232
PMC4848090	987	985	191
PMC4792962	1268	1268	256
总计	10451	10409	1961

数据文件

• 原始BioC XML文件: 位于raw_BioC_XML目录，每个文件以"unique PubMedCentral ID_raw.xml"命名。
• IOB格式标注文件: 位于annotation_IOB目录，包括：
  • all.tsv: 所有用于创建模型的句子和标注，共1961个句子。
  • train.tsv: 训练集，共1372个句子。
  • dev.tsv: 开发集，共294个句子。
  • test.tsv: 测试集，共295个句子。
• BioC JSON格式标注文件: 位于annotated_BioC_JSON目录，每个文件以"unique PubMedCentral ID_ann.json"命名。
• BioC XML格式标注文件: 位于annotated_BioC_XML目录，每个文件以"unique PubMedCentral ID_ann.xml"命名。
• CSV格式标注文件: 位于annotation_CSV目录，每个文件以"unique PubMedCentral ID.csv"命名。
• JSON格式标注文件: 位于annotation_JSON目录，文件名为annotations.json。