语言:

• 英语 标签:
• 命名实体识别
• 基因
• 蛋白质
• RNA
• 生物信息学 许可证: Apache-2.0 数据集:
• jnlpba 示例输入:
• 文本: "它由25个外显子组成，编码一个由13个跨膜结构域构成的1,278个氨基酸的糖蛋白"

用于识别基因及基因产物的命名实体识别模型

该模型基于jnlpba数据集训练，并在此预训练的PubMed版RoBERTa模型基础上微调

所有标签及对应的标记类别：

{"label2id": {
    "DNA": 2,
    "O": 0,
    "RNA": 5,
    "细胞系": 4,
    "细胞类型": 3,
    "蛋白质": 1
  }
 }

注意：我们已从数据标签中移除了'B-','I-'等前缀标记🗡

推荐使用模板

from transformers import pipeline

预训练模型 = "raynardj/ner-gene-dna-rna-jnlpba-pubmed"
ner = pipeline(task="ner", model=预训练模型, tokenizer=预训练模型)
ner("您的文本", aggregation_strategy="first")

以下代码可优化输出连贯性 ⭐️

import pandas as pd
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(预训练模型)

def 清洗输出(输出列表):
    结果集 = []
    当前组 = []
    上一位索引 = 0
    # 按位置分组
    for 输出项 in 输出列表:
        if 输出项["index"]-1 == 上一位索引:
            当前组.append(输出项)
        else:
            结果集.append(当前组)
            当前组 = [输出项, ]
        上一位索引 = 输出项["index"]
    if len(当前组)>0:
        结果集.append(当前组)
    
    # 将标记转换为字符串
    实体列表 = []
    for 分组 in 结果集:
        标记集 = []
        起始位集 = []
        结束位集 = []
        for 实体 in 分组:
            标记集.append(实体['word'])
            起始位集.append(实体['start'])
            结束位集.append(实体['end'])

        新字符串 = tokenizer.convert_tokens_to_string(标记集)
        if 新字符串 != '':
            实体列表.append(dict(
                word=新字符串,
                start = min(起始位集),
                end = max(结束位集),
                entity = 分组[0]['entity']
            ))
    return 实体列表

def 实体表格(pipeline, **pipeline参数):
    if "aggregation_strategy" not in pipeline参数:
        pipeline参数["aggregation_strategy"] = "first"
    def 创建表格(文本):
        return pd.DataFrame(
            清洗输出(
                pipeline(文本, **pipeline参数)
            )
        )
    return 创建表格

# 将返回DataFrame格式结果
实体表格(ner)(您的富含内容的文本)

查看我们的其他命名实体识别模型：

• 基因及基因产物
• 化学物质
• 疾病