数据集概述
本数据集用于评估大语言模型（LLMs）对BioSample数据的自动标注能力，包含细胞系本体映射和基因名称提取两类任务的测试数据、金标准及模型输出结果，支持生物样本数据自动化处理的模型性能验证与分析。
文件详解
- 细胞系本体映射相关文件
biosample_cellosaurus_mapping_gold_standard.tsv（TSV格式）：人工创建的细胞系本体映射金标准文件，用于评估映射结果的准确性。biosample_cellosaurus_mapping_testset.json（JSON格式）：通过EBI BioSamples API收集的细胞系本体映射任务测试数据。biosample_cellosaurus_mapping_result_llm_assisted.tsv（TSV格式）：LLM辅助流程生成的细胞系本体映射结果文件，包含映射术语ID、标签及正确性判断等字段。biosample_cellosaurus_mapping_result_metasra.tsv（TSV格式）：直接使用MetaSRA流程生成的细胞系本体映射结果文件，字段包括BioSample ID、实验类型、映射术语及正确性等。- 基因名称提取相关文件
biosample_gene_extraction_testset.json（JSON格式）：通过EBI BioSamples API收集的基因名称提取任务测试数据。biosample_gene_extraction_result.tsv（TSV格式）：LLM辅助流程生成的基因名称提取结果文件，包含提取的基因、方法及正确性判断等字段。
适用场景
- 生物信息学模型评估：用于测试大语言模型在BioSample细胞系本体映射和基因提取任务中的准确性与可靠性。
- 生物样本数据自动化处理：支持生物样本数据自动标注工具的性能验证与优化。
- 生物本体映射研究：为细胞系本体映射算法的开发与改进提供标准化测试数据集。
- 基因名称提取算法优化：用于基因名称提取模型的结果对比与错误分析，推动生物文本挖掘技术发展。
