Genecorpus-30M

W skrócie

Etykiety i adnotacje

Brak etykiet chorobowych. Korpus to nieoznakowane dane ekspresji pojedynczych komorek, sluzace do pretreningu samonadzorowanego; komorki zachowywano wylacznie na podstawie kryteriow jakosci (calkowita liczba odczytow i odczyty mitochondrialne w granicach trzech odchylen standardowych od sredniej w danym zbiorze).

Szczegóły

Co zawiera

• Okolo 30 mln ludzkich transkryptomow pojedynczych komorek z szerokiego zakresu tkanek, zebranych z 561 publicznie dostepnych zbiorow danych wymienionych w Metodach pracy Theodoris i wsp., Nature 2023.
• Filtry jakosci przeszlo 27 406 217 komorek i one tworza wlasciwy korpus.
• Zrodla obejmuja m.in. NCBI GEO, NCBI SRA, Human Cell Atlas, EMBL-EBI Single Cell Expression Atlas, Broad Institute Single Cell Portal, BBI-Allen Single Cell Atlases, Tumor Immune Single-cell Hub (TISCH) i Panglao.

Do czego sluzy

• Do samonadzorowanego pretreningu modeli transformerowych nad ekspresja genow; to korpus, na ktorym powstal Geneformer.

Czego w nim nie ma — przeczytaj, zanim uzyjesz go w onkologii

• Komorki nowotworowe i unesmiertelnione linie komorkowe zostaly wylaczone z zalozenia. Karta zbioru podaje, ze usunieto komorki o wysokim obciazeniu mutacyjnym, poniewaz moglyby prowadzic do istotnego przebudowania sieci genowych bez towarzyszacego sekwencjonowania genomu, ktore pozwalaloby to zinterpretowac.
• Nawet tam, gdzie komorki pochodzily z repozytorium nowotworowego (TISCH), komorki zlosliwe zostaly wylaczone.
• W korpusie nie ma zatem etykiet nowotworowych, podzialu guz/tkanka prawidlowa ani wynikow klinicznych.

Jak go pobrac

• Do pobrania z Hugging Face bez rejestracji, na licencji Apache-2.0.

Znane pulapki

• Efekty wsadowe miedzy 561 zrodlowymi badaniami nie zostaly usuniete; zastosowano wylacznie filtrowanie jakosci w obrebie pojedynczego zbioru.
• Model wstepnie wytrenowany na tym korpusie nie widzial w pretreningu profili ekspresji komorek nowotworowych — jakakolwiek zdolnosc onkologiczna bierze sie z dostrajania i nalezy to powiedziec wprost, gdy taki model ocenia sie na zadaniach onkologicznych.

Modele trenowane lub oceniane na tym zbiorze

• pretrening Geneformer Theodoris Lab (Gladstone Institutes / UCSF)

Źródła

1. Genecorpus-30M dataset card, Hugging Face (ctheodoris/Genecorpus-30M)
2. Theodoris CV et al. Transfer learning enables predictions in network biology. Nature 2023