genomics_ood

  • Описание :

Идентификация бактерий на основе геномных последовательностей обещает раннее обнаружение заболеваний, но требует модели, которая может давать прогнозы с низкой достоверностью для геномных последовательностей вне распространения (OOD) новых бактерий, которых не было в обучающих данных.

Мы представляем набор данных геномики для обнаружения OOD, который позволяет другим исследователям оценивать прогресс в решении этой важной проблемы. С годами постепенно открываются новые классы бактерий. Группировка классов по годам — это естественный способ имитировать примеры в распределении и OOD.

Набор данных содержит геномные последовательности, взятые из 10 классов бактерий, которые были обнаружены до 2011 года как классы в процессе распространения, 60 классов бактерий, обнаруженных в период с 2011 по 2016 год, как OOD для проверки, и еще 60 различных классов бактерий, обнаруженных после 2016 года как OOD для тестирования. всего 130 классов бактерий. Обратите внимание, что данные обучения, проверки и тестирования предоставляются для классов, находящихся в дистрибутиве, а данные проверки и тестирования предоставляются для классов OOD. По своей природе данные OOD недоступны во время обучения.

Геномная последовательность имеет длину 250 и состоит из символов {A, C, G, T}. Размер выборки каждого класса составляет 100 000 для обучения и 10 000 для проверочных и тестовых наборов.

Для каждого примера функции включают в себя: seq: входная последовательность ДНК, состоящая из {A, C, G, T}. метка: название класса бактерий. seq_info: источник последовательности ДНК, т. е. название генома, инвентарный номер NCBI и положение, из которого был взят образец. домен: если бактерия находится в распространении (in), или OOD (ood)

Детали набора данных можно найти в приложении к статье.

Расколоть Примеры
'test' 100 000
'test_ood' 600 000
'train' 1 000 000
'validation' 100 000
'validation_ood' 600 000
  • Структура функции :
FeaturesDict({
    'domain': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=130),
    'seq': Text(shape=(), dtype=string),
    'seq_info': Text(shape=(), dtype=string),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
домен Текст нить
этикетка Метка класса int64
последовательность Текст нить
seq_info Текст нить
  • Цитата :
@inproceedings{ren2019likelihood,
  title={Likelihood ratios for out-of-distribution detection},
  author={Ren, Jie and
  Liu, Peter J and
  Fertig, Emily and
  Snoek, Jasper and
  Poplin, Ryan and
  Depristo, Mark and
  Dillon, Joshua and
  Lakshminarayanan, Balaji},
  booktitle={Advances in Neural Information Processing Systems},
  pages={14707--14718},
  year={2019}
}