pie/drugprot

DrugProt数据集是用于生物医学信息提取的任务，包含两个版本：drugprot_source和drugprot_bigbio_kb。drugprot_source版本包括文本、ID、元数据、标题和摘要字段，以及实体和关系注释层。drugprot_bigbio_kb版本包括文本、ID和元数据字段，以及段落、实体和关系注释层。数据集提供了预定义的文档转换器，用于将数据转换为不同的文档类型。

The DrugProt dataset is for biomedical information extraction tasks and consists of two versions: drugprot_source and drugprot_bigbio_kb. The drugprot_source version includes fields for text, ID, metadata, title, and abstract, as well as annotation layers for entities and relations. The drugprot_bigbio_kb version includes fields for text, ID, and metadata, and annotation layers for passages, entities, and relations. The dataset provides predefined document converters to transform the data into different document types.

原始信息汇总

PIE Dataset Card for "DrugProt"

数据集版本

• drugprot_source
• drugprot_bigbio_kb

数据集结构

DrugprotDocument for drugprot_source

• 字段:
  • text (str)
  • id (str, optional)
  • metadata (dictionary, optional)
  • title (str, optional)
  • abstract (str, optional)
• 注释层:
  • entities (注释类型: LabeledSpan, 目标: text)
  • relations (注释类型: BinaryRelation, 目标: entities)

DrugprotBigbioDocument for drugprot_bigbio_kb

• 字段:
  • text (str)
  • id (str, optional)
  • metadata (dictionary, optional)
• 注释层:
  • passages (注释类型: LabeledSpan, 目标: text)
  • entities (注释类型: LabeledSpan, 目标: text)
  • relations (注释类型: BinaryRelation, 目标: entities)

文档转换器

• 针对DrugprotDocument提供转换器: pie_modules.documents.TextDocumentWithLabeledSpansAndBinaryRelations
• 针对DrugprotBigbioDocument提供转换器: pie_modules.documents.TextDocumentWithLabeledSpansBinaryRelationsAndLabeledPartitions

搜集汇总

数据集介绍

构建方式

DrugProt数据集基于生物医学文本挖掘领域对药物-蛋白质相互作用关系的深入研究而构建。该数据集以PyTorch-IE框架为技术依托，对原始Huggingface加载脚本进行封装，提供了两种结构化版本：drugprot_source与drugprot_bigbio_kb。前者包含文本、标识符、元数据及标题、摘要等字段，并定义了实体与关系两个注释层；后者则进一步引入了段落层，以支持更细粒度的信息提取。注释类型涵盖标记化跨度与二元关系，从而实现对药物与蛋白质间交互作用的系统化标注与结构化表达。

特点

该数据集的核心特色在于其双版本设计与高度灵活的注释架构。drugprot_source版本聚焦于简洁的文本与实体-关系结构，适用于基础的关系抽取任务；而drugprot_bigbio_kb版本则通过引入段落层，增强了数据在跨段落上下文中的语义表达能力。此外，数据集预定义了针对不同文档类型的转换器，能够将原始注释自动映射至标准化的文档对象，如TextDocumentWithLabeledSpansAndBinaryRelations，从而显著降低了用户在处理生物医学文本时的工程负担，提升了实验复现与迁移学习的效率。

使用方法

使用DrugProt数据集时，用户可通过PyTorch-IE框架直接加载并解析预定义的文档结构。首先，根据任务需求选择drugprot_source或drugprot_bigbio_kb版本；随后，利用内置的文档转换器将原始数据实例化为对应的文档对象，例如通过DrugprotDocument转换至TextDocumentWithLabeledSpansAndBinaryRelations。这些对象已封装好文本、实体跨度及二元关系等核心组件，用户可直接将其输入至基于Transformer的神经网络模型中进行训练与评估。整个过程无需手动解析注释文件，显著简化了生物医学关系抽取任务的开发流程。

背景与挑战

背景概述

药物-蛋白质关系抽取是生物医学文本挖掘中的核心任务，旨在从海量科学文献中自动识别药物与蛋白质之间的相互作用，为药物发现、毒理学研究和精准医学提供关键数据支撑。DrugProt数据集由BioCreative VIII社区挑战赛推动构建，依托于多个国际研究机构的协作，于2021年首次公开发布。该数据集聚焦于药物与蛋白质之间的复杂关系，涵盖化学物质、基因、疾病等多类型实体及其关联，其核心研究问题在于如何从非结构化生物医学文本中准确抽取语义关系。作为PyTorch-IE框架的标准化包装版本，DrugProt不仅为关系抽取模型提供了统一的评估基准，还通过细粒度的实体和关系标注推动了生物医学自然语言处理领域的发展，成为相关研究的重要资源。

当前挑战

DrugProt数据集面临的挑战主要体现在两个方面。在领域问题层面，药物-蛋白质关系抽取需应对生物医学文本中长距离依赖、嵌套实体、模糊语义以及关系重叠等复杂语言现象，现有模型在跨句子关系和细粒度关系分类上仍存在准确率瓶颈。在构建过程中，数据集的标注面临领域专家稀缺、标注一致性维护困难以及实体边界界定模糊等难题，需要设计严格的标注指南和多重校验机制。此外，数据集规模有限且类别分布不均，导致模型在低频关系类型上的泛化能力不足，如何结合外部知识图谱和迁移学习以增强模型鲁棒性，仍是当前研究的关键挑战。

常用场景

经典使用场景

DrugProt数据集是生物医学自然语言处理领域中用于药物-蛋白质关系抽取的经典资源。该数据集以PubMed文献摘要为语料基础，通过精细的实体标注与二元关系标注，支持药物分子与蛋白质靶点之间交互作用的语义解析。研究者可基于该数据集构建端到端的文本挖掘系统，从海量生物医学文献中自动提取药物-蛋白质相互作用对，为药物重定位、靶点发现等研究提供数据驱动的方法支撑。

衍生相关工作

基于DrugProt数据集已衍生出一系列具有影响力的研究工作。在方法层面，研究者提出了融合预训练语言模型与图神经网络的联合抽取架构，在关系分类任务上取得突破性进展。在应用层面，该数据集催生了面向药物重定位的跨文献关系推理系统，以及结合分子结构信息的多模态关系预测模型。此外，该数据集的标注规范也被后续生物医学关系抽取数据集广泛借鉴，成为该领域的基准参考标准之一。

数据集最近研究

最新研究方向

在生物医学自然语言处理领域，药物与蛋白质相互作用（DrugProt）的精准抽取是药物发现与分子机制解析的前沿课题。当前研究聚焦于利用深度学习模型（如预训练语言模型BioBERT、PubMedBERT）在DrugProt数据集上进行端到端的关系抽取，以应对文献中复杂实体边界识别与多类型关系分类的挑战。该数据集因包含大规模人工标注的文本-实体-关系三元组，成为评估药物-靶标交互预测模型性能的黄金标准。近期热点包括将知识图谱嵌入与提示学习融合以增强少样本场景下的泛化能力，以及结合图神经网络对跨句关系进行建模。这些探索不仅推动了精准医学中药物重定位研究的发展，也为自动化文献挖掘系统在生物制药领域的应用奠定了关键数据基础。