遇见数据集

Triticum aestivum trait Corpus (TaeC)

收藏
arXiv2024-01-15 更新2024-06-21 收录
官方服务:

资源简介:

TaeC数据集由巴黎萨克雷大学和国家农业研究院联合创建,专注于小麦育种文献中的性状和表型信息。该数据集包含540篇PubMed引用文献,全面标注了性状、表型和物种实体,使用小麦性状和表型本体及国家生物技术信息中心的物种分类学。TaeC旨在通过提供高质量的标注数据,支持机器学习方法在小麦性状和表型信息提取中的应用,以加速小麦育种过程,提高对环境变化的适应性和疾病抵抗力。

The TaeC dataset was co-developed by Paris-Saclay University and the National Institute for Agricultural Research, focusing on trait and phenotype information in wheat breeding literature. It contains 540 PubMed-cited publications, with comprehensive annotations of trait, phenotype and species entities, utilizing the Wheat Trait and Phenotype Ontology and the species taxonomy from the National Center for Biotechnology Information (NCBI). The TaeC dataset aims to support the application of machine learning methods for wheat trait and phenotype information extraction by providing high-quality annotated data, so as to accelerate the wheat breeding process and improve adaptability to environmental changes and disease resistance.

创建时间:
2024-01-15
搜集汇总
数据集介绍
Triticum aestivum trait Corpus (TaeC) 数据集图片
构建方式
Triticum aestivum trait Corpus (TaeC) 的构建始于对小麦育种文献的系统性筛选,从PubMed数据库中检索出5596篇相关文献,并经过AlvisNLP工作流的预标注处理,最终精选出540篇摘要作为标注对象。标注方案涵盖性状、表型和物种三类实体,分别依托小麦性状与表型本体(WTO)和NCBI物种分类体系进行语义链接。标注过程采用AlvisAE编辑器,由两位领域专家先后进行详尽标注与审核,并辅以一致性自动检查,确保标注质量。
特点
TaeC 数据集的核心特点在于其高密度与高多样性的标注信息。540篇文档中,共标注了10635个实体,平均每篇文档包含13个性状与表型提及,且每个表型实体平均仅有1.6种表达形式,而每个性状实体平均有3.2种变体,充分反映了小麦育种文献中术语表达的丰富性。数据集涵盖了233个WTO类别,并针对新出现的表型概念扩展了67个新类,体现了对领域演变的动态响应。此外,物种实体的标注也展现了科学名称与俗名并存的复杂性。
使用方法
TaeC 数据集适用于训练与评估命名实体识别(NER)和实体链接(NEL)方法。其以BioNLP-ST格式发布,包含文本、实体位置类型及本体类标识符,并划分为训练集、开发集和测试集,便于模型开发与公平评估。研究者可利用该数据集对基于规则的方法(如ToMap)和基于深度学习的方法(如RoBERTa、BioBERT)进行微调与性能比较。数据集已公开在法国研究数据仓库中,采用CC-BY-ND许可协议,支持小麦育种领域的自动化信息提取研究。
背景与挑战
背景概述
小麦作为全球种植面积仅次于水稻的重要粮食作物,其品种改良对应对气候变化、减少农药使用及满足新型食品需求至关重要。表型与基因型的关联解析是缩短育种周期的核心环节,然而大量育种文献中关于性状和表型的表述高度多样化,阻碍了信息的自动化提取与交叉引用。为弥补植物表型文本挖掘领域缺乏高质量标注语料库的空白,法国国家农业食品与环境研究院(INRAE)的Claire Nédellec团队于2022年构建了Triticum aestivum trait Corpus(TaeC)。该语料库包含540篇PubMed文献的全文注释,利用小麦性状与表型本体(WTO)和NCBI物种分类体系,对性状、表型及物种实体进行了精准标注。TaeC不仅为命名实体识别与链接方法提供了训练与评估基准,还推动了FAIR原则下农业语义数据基础设施的发展,对作物表型组学与智能育种研究具有里程碑意义。
当前挑战
TaeC语料库面临的挑战主要体现在两个层面。首先,在领域问题层面,小麦性状与表型表达的高度异质性构成核心难点:同一性状(如“千粒重”)在文献中可能以缩写(TKW)、描述性短语(如“低分子量谷蛋白亚基”)或复杂介词结构(如“每穗可育小花数”)呈现,且抗病性常通过病原体名称(如“对稻瘟病菌的抗性”)间接表达,远超简单字符串匹配的能力。其次,在构建过程中,专家需在WTO本体包含596个类别的庞大体系中精确选择最合适的类别,对罕见表达易出现过度具体或过度泛化的标注错误;同时,品种与栽培种名称常以非命名实体的复杂描述形式出现(如“由多小穗母本10-A与单小穗父本BE89杂交获得的F2:3系”),其人工标注成本高昂且难以规模化,导致当前版本暂未包含此类关键信息。
常用场景
经典使用场景
在植物表型组学与计算语言学交叉领域,TaeC语料库作为小麦育种文献中性状与表型实体识别与链接的黄金标准,被广泛用于训练和评估命名实体识别(NER)与实体链接(NEL)方法。该语料库包含540篇PubMed文献,由领域专家手工标注了性状、表型及物种实体,并关联至小麦性状与表型本体(WTO)及NCBI物种分类体系。研究者利用该资源对基于规则的方法(如ToMap)和深度学习模型(如RoBERTa、BioBERT)进行微调与基准测试,从而实现对复杂语言表达(如复合名词短语、疾病抗性描述)的高精度自动抽取,为植物科学文本挖掘提供了可复现的评估平台。
实际应用
在实际应用中,TaeC语料库驱动的信息抽取工具已集成至D2KAB项目的AlvisNLP工作流,用于自动标注海量小麦PubMed文献,并构建与小麦信息系统(WheatIS)联动的知识库。育种专家可通过统一查询接口,同时检索文本中描述的性状(如“千粒重”“抗叶锈性”)与田间观测数据,实现文献与实验数据的交叉验证。此外,该资源支持对气候变化适应性性状(如耐旱性、抗倒伏)的快速筛选,帮助育种者从大量文献中提取关键表型信息,缩短品种选育周期。其本体对齐策略(WTO与作物本体CO_321的映射)进一步确保了数据语义的一致性,推动了FAIR数据共享在农业领域的落地。
衍生相关工作
TaeC语料库的发布催生了多项衍生研究,包括对小麦品种、基因与分子标记的扩展标注,以及将性状识别延伸至全基因组关联分析(GWAS)文献。基于该语料库,研究者改进了C-Norm和BioSyn等实体规范化算法,使其在少数样本场景下仍能维持高链接准确率(F1达0.83)。后续工作探索了跨物种迁移学习,将TaeC训练的模型应用于大麦、水稻等作物文献,验证了性状本体表示的泛化能力。此外,该语料库被用于评测开放域实体识别系统(如TaxoNERD)在植物领域的表现,并推动了WTO本体的持续扩展(新增67个类别),以反映表型检测技术的最新进展,如根系构型与激素响应相关术语的纳入。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务