مع تزايد الطلب على نماذج اللغة الكبيرة (Large Language Models) في مجال البيولوجيا، برزت الحاجة إلى مجموعات بيانات تدريب قادرة على منح النماذج فهماً حقيقياً للعلوم الحيوية. تقدم TheBioCollection، مجموعة بيانات مبنية على 52.6 مليار توكن، حلاً مبتكرًا لهذه المشكلة عن طريق دمج الموارد البيولوجية المتعددة التي كانت موزعة عبر تنسيقات ومصادر غير منظمة.

تتضمن هذه المجموعة أحدث البيانات المتعلقة بالجزيئات الصغيرة، البروتينات، التسلسلات الجينية، الخلايا، ومسارات الإنزيمات، مما يوفر قاعدة قوية لنماذج الذكاء الاصطناعي للتدريب عليها. والأهم من ذلك، أن TheBioCollection لا يقتصر على تجميع البيانات فقط، بل يقوم أيضًا بإثراء كل سجل بخصائص بيولوجية محسوبة باستخدام أدوات متخصصة، بالإضافة إلى تقديم مهام جديدة تعزز من قدرات النماذج في مجالات لم تغطها مجموعات البيانات السابقة.

لتقييم الأداء، تم تصميم TheBioCollection-Eval، مجموعة مخصصة لاختبار القدرة على التعرف Generative Performance والتوقع عبر البيئات المختلفة. والنتائج لصالح هذا المورد الجديد مثيرة، حيث أظهرت نماذج الذكاء الاصطناعي التي تم تدريبها على TheBioCollection تحسنًا ملحوظًا في الأداء على جميع المجالات مقارنةً بالتدريب على مجموعات البيانات التقليدية. ورغم أنها تغني النماذج عن المفردات، إلا أنها تحتفظ بقدراتها اللغوية العامة.

هل ستفتح TheBioCollection آفاق جديدة في مجال البيولوجيا وعلم الذكاء الاصطناعي؟ من المؤكد أن هذا المورد سيهز أسس البحث العلمي في المستقبل القريب!