IXThinker·2026-05-02 09:30

開放宏基因組語料庫發布 助生物模型預訓練

生物語言模型性能高度依賴預訓練數據的質量、多樣性與規模，宏基因組數據雖具巨大生物多樣性，卻因可及性、質量過濾與去重困難而長期未被善用。有研究整合兩大數據庫，建立開放宏基因組語料庫以支援模型預訓練。

整合兩大數據庫

研究團隊整合兩個最大的宏基因組數據存儲庫，建立名為開放宏基因組的語料庫，包含三點一萬億鹼基對與三十三億條蛋白編碼序列，規模與多樣性兼備，為生物語言模型預訓練提供關鍵數據基礎。