AI-Hub

데이터 변경이력

데이터 히스토리

소개

1) 국내 자생식물의 유전자 염기서열 및 아미노산 서열 데이터
2) 국내 자생식물 유래 대사체의 SMILES 데이터

구축목적

1) 유전체 데이터 학습용 데이터
  1-1) 조직별 유전자 발현 여부 분류를 수행하도록 인공지능을 학습시키기 위한 데이터셋 구축
  1-2) 유전자의 효소 기능 분류를 수행하도록 인공지능을 학습시키기 위한 데이터셋 구축
2) 식물의 대사체로부터 생리활성 분류를 수행하도록 인공지능을 학습시키기 위한 데이터셋 구축

1. 데이터 구축 규모

2. 데이터 분포
가. 유전자 발현 여부 분류를 위한 학습 데이터

나. 유전자 EC number 분류를 위한 학습 데이터

- 효소 분포:

다. 대사체의 생리활성 분류를 위한 학습 데이터

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. sEEPP
가. Model description
sEEPP (simplified Enzyme Expression Profile Predictor)는 자생 식물 82종의 유전자 및 유전자 조절인자 염기서열 데이터로부터 각 종의 1~5개 부위에서의 유전자 발현 여부를 분류하는 모델이다.

나. Model architecture

5가지 종류의 염기서열은 각각 one-hot encoding을 거쳐 matrix로 변환된다. 5가지 matrix는 shared-CNN을 통과하여 각각 512-dim vector가 된다. codon usage는 FNN을 통과하여 128-dim vector가 되며, shared-CNN의 output layer와 concat되어 2688-dim vector가 만들어진다. 이후 FNN을 거쳐 model output은 5-dim vector가 된다.

다. Input
5가지 종류의 염기서열은 one-hot encoding을 거친 후 사용되며, input shape는 위 설명과 같다.

라. Output 
output은 5-dim vector (binary)이다.

마. Task
5개 부위에서의 발현 여부를 분류하는 multi-label classification 모델이다.

바. Training factors

2. ENC
가. Model description
ENC (Enzyme commission Number Classifier)는 자생식물 120종의 유전자 아미노산 서열 데이터로부터 유전자의 기능을 EC number 형태로 분류하는 모델이다.

나. Model architecture

아미노산 서열은 one-hot encoding을 거쳐 21*2000 크기의 matrix로 변환된다. matrix는 kernel size가 다른 3개의 CNN을 통과하여 각각 128-dim vector가 된다. 3개의 CNN의 output은 concat되어 384-dim vector가 되며, 두 번의 FNN을 거쳐 model output은 1871-dim vector가 된다.

다. Input
아미노산 서열은 one-hot encoding을 거친 후 사용되며, input shape는 위 설명과 같다. 

라. Output
output은 1871-dim vector로, decoder (argmax)를 통해 EC number로 변환된다.

마. Task
1871개 EC number를 분류하는 multi-class classification 모델이다.

바. Training factors

3. PBA
가. Model description
PBA (Predictor of Biological Activities)는 대사체 구조 정보로부터 대사체의 4가지 생리활성 여부를 분류하는 모델이다.

나. Model architecture

SMILES code를 2048-dim vector인 extended-connectivity fingerprint로 변환한다. 변환된 fingerprint가 FNN을 거쳐 model output인 4-dim vector가 된다.

다. Input
SMILES code는 2048-dim vector인 extended-connectivity fingerprint로 변환되어 사용된다.

라. Output
output은 4-dim vector (binary)이다.

마. Task
4가지 종류의 생리활성 여부를 분류하는 multi-label classification 모델이다.

바. Training factors

데이터 성능 점수

설명서 및 활용가이드 다운로드

1. 데이터 구성
가. 유전자 발현여부 분류를 위한 학습 데이터 (sEEPP)
  - 원천 데이터:

< 원천 데이터 >

< 원천 데이터 cds.csv 명세 >

< 원천 데이터 promoter.csv 명세 >

< 원천 데이터 terminator.csv 명세 > 

< 원천 데이터 utr5.csv 명세 > 

< 원천 데이터 utr3.csv 명세 >

< 원천 데이터 codon_usage.csv 명세 >

- not_labeled_sEEPP data의 구조는 원천 데이터와 동일함

나. 유전자 EC number 분류를 위한 학습 데이터 (ENC)
  - 원천 데이터:

< 원천 데이터 >

< 원천 데이터 amino_acid.csv 명세 >

다. 대사체의 생리활성 분류를 위한 학습 데이터 (PBA)
  - 원천 데이터:

< 원천 데이터 >

< 원천 데이터 pba_data.csv 명세 >

- 자생식물 대사체 데이터:

< 자생식물 대사체 데이터 compounds_data.csv 속성 >

< 구조식 그림 파일 예시 >

2. 어노테이션 포맷
가. 유전자 발현여부 분류를 위한 학습 데이터 (sEEPP)

나. 유전자 EC number 분류를 위한 학습 데이터 (ENC)

다. 대사체의 생리활성 분류를 위한 학습 데이터 (PBA)

3. 어노테이션 실제 예시

데이터셋 구축 담당자

수행기관(주관) : 인포보스 주식회사

수행기관(참여)

데이터 관련 문의처