数据集概述
本数据集为生物途径图像信息提取的机器学习框架相关数据，包含466种目标化学品的筛选与统计信息、箭头检测的训练验证及测试数据集与标签、EBPI工具提取的反应信息，以及基于BioBERT的文本分类数据集，覆盖图像检测与文本分类两类机器学习任务的相关数据。
文件详解
- 466 target chemicals_selected chemicals.xlsx
- 文件格式：XLSX
- 字段映射介绍：记录未被MetaNetX和KEGG覆盖生化反应的466种目标化学品筛选信息
- 466 target chemicals_statistics.xlsx
- 文件格式：XLSX
- 字段映射介绍：统计466种目标化学品对应的MetaCyc反应、论文及途径图像数量
- arrow detection_bounding box labels.xlsx
- 文件格式：XLSX
- 字段映射介绍：包含训练验证集6471张图像和测试集100张图像的箭头检测 bounding box 标签
- arrow detection_test dataset.zip
- 文件格式：ZIP
- 字段映射介绍：Faster R-CNN箭头检测模型的测试数据集，含来自89篇PMC论文的100张图像
- arrow detection_training and validation datasets.zip
- 文件格式：ZIP
- 字段映射介绍：Faster R-CNN箭头检测模型的训练验证数据集，含2332张原始图像与4139张增强图像，共6471张
- EBPI outputs.txt
- 文件格式：TXT
- 字段映射介绍：记录EBPI工具从466种目标化学品的49846张生物途径图像中提取的反应信息，包含化学品、图像来源、反应、基因、蛋白等字段
- text classification_training, validation and test datasets.xlsx
- 文件格式：XLSX
- 字段映射介绍：BioBERT文本分类数据集，含59370个术语，分为15101个“gene”、21417个“protein”、22852个“others”术语
数据来源
论文“A machine learning framework for extracting information from biological pathway images in the literature”
适用场景
- 生物途径图像信息提取研究：利用箭头检测数据集训练优化Faster R-CNN模型，实现途径图像中箭头的自动检测
- 生物医学文本分类分析：基于BioBERT文本分类数据集，开展基因、蛋白相关术语的分类任务研究
- 生物化学反应信息挖掘：通过EBPI输出数据，提取生物途径图像中的反应信息，补充现有数据库未覆盖的内容
- 机器学习模型性能验证：使用提供的训练、验证、测试数据集，验证图像检测与文本分类模型的泛化能力
- 生物基化学品研究支持：依托466种目标化学品的统计数据，分析其相关反应、文献及图像资源分布情况
