数据集概述
本数据集是基于RegEl语料库训练的HunFlair模型对超过2000万篇PubMed摘要进行文本挖掘生成的数据库，包含调控元件（增强子、启动子、TFBS）及其与基因（标准化为NCBI Gene ID）和疾病（标准化为MeSH或OMIM）的关联注释，以压缩包形式提供。
文件详解
- 文件名称：regel_db.zip
- 文件格式：ZIP
- 字段映射介绍：包含三个核心表格文件
- abstracts.db：存储PubMed摘要的句子级信息，字段包括pmid（PubMed ID）、sid（句子ID）、text（句子文本）
- gene.db：存储调控元件与基因的关联信息，字段包括pmid、sid、etype（实体类型：enhancer/promoter/TFBS）、ann_text（调控元件提及文本）、start（起始位置）、end（结束位置）、score（模型置信度）、cui（基因标识符）、cui_symbol（基因官方符号）
- disease.db：存储调控元件与疾病的关联信息，字段同gene.db（cui为疾病标识符）
数据来源
PubMed摘要、RegEl语料库、PubTator注释
适用场景
- 基因调控机制研究：分析调控元件（增强子、启动子等）与特定基因的关联模式
- 疾病分子机制探索：挖掘调控元件异常与疾病发生的潜在联系
- 生物医学文献挖掘：基于PubMed摘要批量提取调控元件相关的结构化信息
- 精准医学研究：为疾病的靶点识别和药物研发提供调控元件-基因-疾病关联数据支持
