nucleotide_transformer_downstream_tasks

מה זה

המאגר מאגד נתונים מארבעה מאמרים שונים בגנומיקה, ומחלק אותם למשימות סיווג בינאריות ורב מחלקתיות. בין הנתונים תמצאו רצפי פרומוטורים הכוללים 3,065 רצפי TATA ו־26,532 רצפים ללא TATA, לצד רצפים שליליים שנוצרו מדגימה אקראית. חלק זה מחולק לתתי מאגרים עבור כלל הפרומוטורים, פרומוטורי TATA בלבד וכאלה שאינם מכילים TATA.

מקור נוסף תורם משימות לחיזוי אנהנסרים עם 742 חזקים, 742 חלשים ו־1,484 שאינם אנהנסרים, לצד הרחבה של 6,000 דגימות סינתטיות חיוביות ו־6,000 שליליות שנוצרו במודל גנרטיבי. סט המבחן שם מכיל 100 חזקים, 100 חלשים ו־200 שליליים. עבור אתרי שחבור נאספו 30,000 דגימות בחלוקה שווה בין אתרי דונור, אקספטור ואזורים שאינם שחבור, יחד עם סטים נוספים לאתרי קבלה ותרומה. בנוסף ישנם נתונים מניסויי Chip-Chip בגנום שמרים המכסים עשרה סימונים אפיגנטיים של היסטונים, ביניהם H3, H4, H3K9ac ו־H3K4me3.

מתאים ל

• זיהוי פרומוטורים

  סיווג רצפי דנ"א כדי לזהות אם הם מתפקדים כפרומוטורים עם או בלי רצף TATA.

• חיזוי אתרי שחבור

  זיהוי וסיווג אתרי חיתוך ושחבור לרמת אתר תורם, אתר מקבל או רצף רגיל.

• איתור מודיפיקציות היסטונים

  חיזוי נוכחות של סימוני מתילציה ואצטילציה ברצפים על בסיס נתוני שמרים.

• הערכת מודלי בסיס לגנומיקה

  בדיקת ביצועים השוואתית של מודלי שפה ביולוגיים מול משימות סיווג מוגדרות.

איפה זה נופל

היוצרים עצמם מציינים שהגרסה הזו הוחלפה בגרסה מעודכנת יותר במהלך ביקורת העמיתים, וממליצים לעבור אליה כי היא חזקה בהרבה. בנוסף, חלק מנתוני האנהנסרים כוללים אלפי דגימות שנוצרו באופן סינתטי על ידי מודל ולא נדגמו ביולוגית. הנתונים האפיגנטיים נלקחו מגנום של שמרים ולא של בני אדם, והרצפים השליליים בחלק מהמשימות מבוססים על דגימה אקראית של חלקי רצף. מי שבונה מודל ליישום אמיתי חייב לבדוק אם הדגימה הסינתטית והשמרים מייצגים את המטרה שלו.

איך טוענים

טוענים את הנתונים ישירות דרך ספריית datasets באמצעות המזהה של המאגר. המאגר כולל 74 קבצים בפורמטים Parquet ו־fna, המסודרים לפי תיקיות של המשימות השונות, למשל עבור היסטונים כמו H3 ו־H3K14ac עם חלוקה ל־train ול־test. אין צורך באישור גישה מיוחד כדי להוריד את הקבצים. לפני שרצים לאמן, צריך לבחור את תת המשימה הרצויה מתוך 18 האפשרויות, ולשים לב לעמודות הרצפים והתיוגים בכל קובץ.

from datasets import load_dataset

ds = load_dataset("InstaDeepAI/nucleotide_transformer_downstream_tasks")

הרישיון

המאגר פורסם ללא דיווח על רישיון. המשמעות היא שאין הרשאה מפורשת להשתמש בנתונים למטרות מסחריות או אפילו למחקר פנימי מעבר להורדה בסיסית. מי שמאמן מודל על המאגר הזה מסתכן בהפרת זכויות יוצרים, במיוחד כשחלק מהנתונים נאספו ממאמרים אקדמיים חיצוניים שזכויותיהם לא הוסדרו בכרטיס.

הרישיון המלא ב־Hugging Face ↗