InstaDeepAI/nucleotide_transformer_downstream_tasks

`nucleotide_transformer_downstream_tasks`数据集包含了Nucleotide Transformer论文中提出的18个下游任务。这些任务包括二分类和多分类任务，旨在提供一个一致的基因组学基准。数据集的结构部分详细列出了每个任务的训练序列数量、测试序列数量、标签数量和序列长度。

原始信息汇总

数据集卡片 for nucleotide_transformer_downstream_tasks

数据集描述

nucleotide_transformer_downstream_tasks 数据集包含了 Nucleotide Transformer 论文中介绍的 18 个下游任务。这些任务包括二分类和多分类任务，旨在提供一个一致的基因组学基准。

数据集摘要

这些不同的数据集来自 4 篇不同的基因组学论文：

• DeePromoter: Robust Promoter Predictor Using Deep Learning

  • 数据集包含 3,065 个 TATA 启动子和 26,532 个非 TATA 启动子，每个启动子通过随机采样序列片段生成负样本。promoter_all 数据集包含所有启动子及其负样本，而 promoter_tata 和 promoter_no_tata 分别提供 TATA 和非 TATA 部分的数据集。

• A deep learning framework for enhancer prediction using word embedding and sequence generation

  • 作者收集了 742 个强增强子、742 个弱增强子和 1484 个非增强子，并通过生成模型增加了 6000 个合成增强子和 6000 个合成非增强子。测试数据集包含 100 个强增强子、100 个弱增强子和 200 个非增强子。原始论文使用此数据集进行二分类（即样本被分类为非增强子或增强子）和三分类（即样本被分类为非增强子、弱增强子或强增强子）。这两个任务分别在 enhancers 和 enhancers_types 数据集中处理。

• SpliceFinder: ab initio prediction of splice sites using convolutional neural network

  • 作者引入了一个包含 10,000 个供体位点、受体位点和非剪接位点样本的数据集，总共有 30,000 个样本，这些样本在 splice_sites_all 数据集中展示。

• Spliceator: multi-species splice site prediction using convolutional neural networks

  • 该论文引入了两个数据集，每个数据集包含剪接位点及其对应的负样本。splice_sites_acceptor 数据集包含受体剪接位点，而 splice_sites_donor 数据集包含供体剪接位点。

• Qualitatively predicting acetylation and methylation areas in DNA sequences

  • 该论文引入了一系列数据集，展示了酵母基因组中识别的表观遗传标记，即乙酰化和甲基化核小体占据情况。这些十大数据集通过 Chip-Chip 实验获得核小体占据值，并进一步处理成正负观测值，对应以下组蛋白标记：H3, H4, H3K9ac, H3K14ac, H4ac, H3K4me1, H3K4me2, H3K4me3, H3K36me3 和 H3K79me3。

数据集结构

任务	训练序列数量	测试序列数量	标签数量	序列长度
promoter_all	53,276	5,920	2	300
promoter_tata	5,509	621	2	300
promoter_no_tata	47,767	5,299	2	300
enhancers	14,968	400	2	200
enhancers_types	14,968	400	3	200
splice_sites_all	27,000	3,000	3	400
splice_sites_acceptor	19,961	2,218	2	600
splice_sites_donor	19,775	2,198	2	600
H3	13,468	1,497	2	500
H4	13,140	1,461	2	500
H3K9ac	25,003	2,779	2	500
H3K14ac	29,743	3,305	2	500
H4ac	30,685	3,410	2	500
H3K4me1	28,509	3,168	2	500
H3K4me2	27,614	3,069	2	500
H3K4me3	33,119	3,680	2	500
H3K36me3	31,392	3,488	2	500
H3K79me3	25,953	2,884	2	500

搜集汇总

背景与挑战

背景概述

该数据集是一个基因组学基准测试集，包含18个下游任务，涵盖启动子预测、增强子分类、剪接位点识别和组蛋白修饰等多种任务。数据集格式为parquet，总行数超过510k，序列长度在200-600bp之间，适用于深度学习模型训练和评估。