اگر در حوزه بیوتکنولوژی و مدلهای زبانی (BioLM) فعالیت میکنید، خبر خوبی برایتان داریم! محققان بهتازگی یک کورپوس (پیکره داده) عظیم و یکپارچه به نام TheBioCollection را معرفی کردهاند که شامل ۵۲.۶ میلیارد توکن تخصصی در زمینههای پروتئینها، ژنومیک، سلولها و مسیرهای بیولوژیکی است.
چرا این خبر مهم است؟
✅ یکپارچهسازی: تبدیل منابع پراکنده زیستی به یک ساختار واحد و آماده برای آموزش.
✅ غنیسازی: افزودن ویژگیهای محاسباتی به دادهها برای درک عمیقتر.
✅ ارزیابی دقیق: همراهی با مجموعه تست TheBioCollection-Eval برای سنجش عملکرد مدل در حوزههای مختلف زیستی.
این پروژه ثابت کرده که آموزش مدلها با دادههای باکیفیت و تخصصی، بدون آسیب زدن به تواناییهای عمومی مدل، عملکرد آنها را در حوزههای تخصصی مثل زیستشناسی بیش از دو برابر میکند. قدمی بزرگ برای کشفهای جدید علمی با کمک AI! 🧪✨
منبع: arXiv AI