Genentech/borzoi-data

--- license: mit task_categories: - tabular-regression tags: - biology - genomics pretty_name: "Borzoi Intervals" size_categories: - 100K<n<1M --- # borzoi-data ## Dataset Summary This dataset contains the specific genomic intervals used for training, validating, and testing the Borzoi model, a deep learning architecture for predicting functional genomic tracks from DNA sequence. The intervals are provided for both human and mouse genomes. We modified the intervals provided in the original source by extending the input sequence to 524,288 bp to create the full interval that was supplied to the model. - **Publication:** [Linder, J. et al. Nature Genetics (2025)](https://www.nature.com/articles/s41588-024-02053-6) - **Original Source:** https://github.com/calico/borzoi/tree/main/data - **Genome Builds:** - Human: hg38 - Mouse: mm10 ## Repository Content The repository includes two tab-separated values (TSV) files and two Jupyter notebooks: 1. `human_intervals.tsv`: 55,497 genomic regions (excluding header). 2. `mouse_intervals.tsv`: 49,369 genomic regions (excluding header). 3. `data_human.ipynb`: Code to create `human_intervals.tsv`. 4. `data_mouse.ipynb`: Code to create `mouse_intervals.tsv`. ## Dataset Structure ### Data Fields Both files follow a standard genomic interval format: | Column | Type | Description | | :--- | :--- | :--- | | `chrom` | string | Chromosome identifier (e.g., `chr18`, `chr4`) | | `start` | int | Start coordinate of the interval | | `end` | int | End coordinate of the interval | | `fold` | string | Fold assignment (`fold0`-`fold7`) | | `split` | string | Data partition assignment (`train`, `test`, or `val`) | ### Statistics | File | Number of Regions | Genome Build | | :--- | :--- | :--- | | `human_intervals.tsv` | 55,497 | hg38 | | `mouse_intervals.tsv` | 49,369 | mm10 | ### Data Splits **Human (hg38)** | Split | Count | |-------|-------| | train | 41,699 | | val | 6,910 | | test | 6,888 | **Mouse (mm10)** | Split | Count | |-------|-------| | train | 36,950 | | val | 6,318 | | test | 6,101 | ## Usage ```python from huggingface_hub import hf_hub_download import pandas as pd file_path = hf_hub_download( repo_id="Genentech/borzoi-data", filename="human_intervals.tsv", repo_type="dataset" ) df_human = pd.read_csv(file_path, sep='\t') file_path = hf_hub_download( repo_id="Genentech/borzoi-data", filename="mouse_intervals.tsv", repo_type="dataset" ) df_mouse = pd.read_csv(file_path, sep='\t') ```许可证：MIT许可证 任务类别：表格回归（tabular-regression） 标签：生物学、基因组学 展示名称："Borzoi 区间集" 样本规模：100K < 样本数 < 1M # borzoi-data ## 数据集概述 本数据集包含用于训练、验证与测试Borzoi模型的特定基因组区间。Borzoi是一种可从DNA序列预测功能基因组轨道的深度学习架构，该区间集覆盖人类与小鼠两种基因组。我们对原始来源提供的区间进行了修改，将输入序列延伸至524,288 bp，以构建模型所需的完整区间。 - **发表文献：** [Linder, J. 等. 《自然·遗传学》(2025)](https://www.nature.com/articles/s41588-024-02053-6) - **原始来源：** https://github.com/calico/borzoi/tree/main/data - **基因组版本：** - 人类：hg38 - 小鼠：mm10 ## 仓库内容 本仓库包含两份制表符分隔值（TSV）文件与两份Jupyter笔记本： 1. `human_intervals.tsv`：55,497个基因组区域（不含表头）。 2. `mouse_intervals.tsv`：49,369个基因组区域（不含表头）。 3. `data_human.ipynb`：用于生成`human_intervals.tsv`的代码。 4. `data_mouse.ipynb`：用于生成`mouse_intervals.tsv`的代码。 ## 数据集结构 ### 数据字段 两份文件均遵循标准基因组区间格式： | 列名 | 数据类型 | 描述 | | :--- | :--- | :--- | | `chrom` | 字符串 | 染色体标识符（例如`chr18`、`chr4`） | | `start` | 整数 | 区间的起始坐标 | | `end` | 整数 | 区间的终止坐标 | | `fold` | 字符串 | 折划分配（`fold0`至`fold7`） | | `split` | 字符串 | 数据分区分配（`train`、`test`或`val`） | ### 统计信息 | 文件 | 区域数量 | 基因组版本 | | :--- | :--- | :--- | | `human_intervals.tsv` | 55,497 | hg38 | | `mouse_intervals.tsv` | 49,369 | mm10 | ### 数据划分 **人类（hg38）** | 划分 | 样本数 | |-------|-------| | 训练集（train） | 41,699 | | 验证集（val） | 6,910 | | 测试集（test） | 6,888 | **小鼠（mm10）** | 划分 | 样本数 | |-------|-------| | 训练集（train） | 36,950 | | 验证集（val） | 6,318 | | 测试集（test） | 6,101 | ## 使用方法 python from huggingface_hub import hf_hub_download import pandas as pd file_path = hf_hub_download( repo_id="Genentech/borzoi-data", filename="human_intervals.tsv", repo_type="dataset" ) df_human = pd.read_csv(file_path, sep=' ') file_path = hf_hub_download( repo_id="Genentech/borzoi-data", filename="mouse_intervals.tsv", repo_type="dataset" ) df_mouse = pd.read_csv(file_path, sep=' ')