DFKI-SLT/CoMAGC

CoMAGC数据集是一个关于基因与癌症关系的多面注释语料库。数据集包含821个从MEDLINE摘要中收集的句子，涉及前列腺癌、乳腺癌和卵巢癌三种癌症类型。每个注释由四个语义正交的概念组成，分别是基因表达变化（CGE）、细胞状态变化（CCS）、命题类型（PT）和初始基因表达水平（IGE）。这些概念共同表达了基因如何变化、癌症如何变化以及基因与癌症之间的因果关系。数据集以JSONL格式提供，语言为英语。

原始信息汇总

CoMAGC 数据集概述

数据集描述

数据集摘要

CoMAGC 是一个包含基因-癌症关系多方面注释的语料库。该数据集包含从 MEDLINE 摘要中收集的 821 个句子，涉及前列腺癌、乳腺癌和卵巢癌三种癌症类型。每个注释由四个语义上正交的概念组成，共同表达基因变化、癌症变化以及基因与癌症之间的因果关系。

注释概念

• CGE (Change in Gene Expression): 捕获基因表达水平是增加还是减少。
  • 可能值：increased, decreased
• CCS (Change in Cell State): 捕获细胞在基因表达水平变化时的变化方式。
  • 可能值：normalTOnormal, normalTOcancer, cancerTOcancer, cancerTOnormal, unidentifiable
• PT (Proposition Type): 捕获基因表达变化与细胞属性变化之间的因果关系。
  • 可能值：observation, causality
• IGE (Initial Gene Expression): 捕获基因在表达水平变化前的初始表达水平。
  • 可能值：up-regulated, down-regulated, unchanged, unidentifiable

数据集结构

数据字段

• pmid: 句子ID，字符串类型。
• sentence: 句子文本，字符串类型。
• cancer_type: 癌症类型，字符串类型。
• gene: 基因实体
  • name: 基因实体文本，字符串类型。
  • pos: 基因实体的字符偏移量，整数列表。
• cancer: 癌症实体
  • name: 癌症实体文本，字符串类型。
  • pos: 癌症实体的字符偏移量，整数列表。
• CGE: 基因表达变化，字符串类型。
• CCS: 细胞状态变化，字符串类型。
• PT: 命题类型，字符串类型。
• IGE: 初始基因表达，字符串类型。
• expression_change_keyword_1: 表达变化关键词1
  • name: 关键词文本，字符串类型。
  • pos: 关键词的字符偏移量，整数列表。
  • type: 关键词类型，字符串类型。
• expression_change_keyword_2: 表达变化关键词2
  • name: 关键词文本，字符串类型。
  • pos: 关键词的字符偏移量，整数列表。
  • type: 关键词类型，字符串类型。

数据分割

• train: 训练集，包含 821 个样本，总大小为 361666 字节。

引用

@article{lee2013comagc, title={CoMAGC: a corpus with multi-faceted annotations of gene-cancer relations}, author={Lee, Hee-Jin and Shim, Sang-Hyung and Song, Mi-Ryoung and Lee, Hyunju and Park, Jong C}, journal={BMC bioinformatics}, volume={14}, pages={1--17}, year={2013}, publisher={Springer} }

搜集汇总

背景与挑战

背景概述

CoMAGC是一个专门用于基因-癌症关系分析的英文文本数据集，包含821个来自MEDLINE摘要的句子，覆盖前列腺癌、乳腺癌和卵巢癌三种癌症类型。该数据集的核心特点是提供了多面注释，包括基因表达变化、细胞状态变化、因果关系和初始基因表达水平，旨在支持生物医学文本挖掘和分类任务，例如研究基因表达如何影响癌症发展。