MsrGenomicsKbcomp는 Microsoft Research가 2016년에 발표한 유전체 분야 관계 추출 및 지식 보완에 특화된 데이터셋으로, PubMed 초록의 텍스트 동시 발생 정보와 공식 경로 데이터베이스를 활용하여 유전자 조절 관계 지식 베이스를 구축하고 지식 그래프 보완 연구를 지원하는 것을 목표로 합니다.

이 데이터셋은 16,259개의 샘플(훈련 세트 12,160개, 테스트 세트 2,784개, 검증 세트 1,315개)을 포함하며, 데이터 규모는 약 342KB입니다. 데이터는 NCI PID Pathway Interaction Database 및 PubMed 초록에서 유래했으며, Literome 도구를 통해 처리 및 주석이 달렸고, Positive_regulation, Negative_regulation, Family 등의 유전자 간 관계 유형을涵盖하여 생물 의학 자연어 처리 작업에 고품질의 기준 데이터를 제공합니다.

데이터셋 구성

• train.txt: 지식 베이스 훈련 세트 삼중항으로, 모델 훈련에 사용됩니다.

• valid.txt: 지식 베이스 검증 세트 삼중항으로, 모델 검증에 사용됩니다.

• test.text: 지식 베이스 테스트 세트 삼중항으로, 모델 테스트에 사용됩니다.

• text.txt: PubMed 초록에서 추출된 유전자 관계 텍스트 삼중항으로, 엔티티 연결 및 Literome 처리를 거쳤습니다.

Citation```bibtex

@inproceedings{toutanova-etal-2016-compositional, title = "Compositional Learning of Embeddings for Relation Paths in Knowledge Base and Text", author = "Toutanova, Kristina and Lin, Victoria and Yih, Wen-tau and Poon, Hoifung and Quirk, Chris", booktitle = "Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)", month = aug, year = "2016", address = "Berlin, Germany", publisher = "Association for Computational Linguistics", url = "https://www.aclweb.org/anthology/P16-1136", doi = "10.18653/v1/P16-1136", pages = "1434--1444", }