数据集概述
本数据集是论文“The OMG dataset: An Open MetaGenomic corpus for mixed-modality genomic language modeling”的附加文件，包含3个独立文件，覆盖TSV、CSV、JSON三种格式，记录了基因组学相关的项目、分类单元、文献引用等信息，为混合模态基因组语言建模研究提供补充数据支持。
文件详解
- OMG_additional_file_1.json
- 文件格式：JSON
- 字段映射介绍：未提供具体预览内容，推测包含结构化的基因组学相关元数据
- OMG_additional_file_2.csv
- 文件格式：CSV
- 字段映射介绍：包含project_id（项目ID）、assembly_accession（组装登录号）、doi（文献DOI）三个字段，记录基因组项目与文献引用的关联信息
- OMG_additional_file_3.tsv
- 文件格式：TSV
- 字段映射介绍：包含Taxon_oid（分类单元OID）、JGI Proposal（JGI项目编号）、DOI Publication（文献DOI）、PMID Publication（文献PMID）、DOI（文献DOI）五个字段，记录分类单元与文献引用的关联信息
数据来源
论文“The OMG dataset: An Open MetaGenomic corpus for mixed-modality genomic language modeling”
适用场景
- 混合模态基因组语言建模研究：为基因组学领域的多模态语言模型训练提供补充文本数据
- 基因组文献关联分析：通过文件中的DOI、PMID等字段，分析基因组项目与学术文献的引用关系
- 微生物分类单元研究：利用Taxon_oid字段关联分类单元信息，支持微生物基因组学研究
- 基因组项目元数据整合：整合不同格式文件中的项目ID、组装登录号等信息，构建基因组项目元数据库
