PESTO：大语言模型分类基因-表型关联先验证据的模型答案与结果表

数据集获取

源站：https://doi.org/10.5281/zenodo.23425831

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 41.8 MB。

数据说明

大型语言模型对基因-表型关联中先验证据进行分类的模型答案与结果表（Guez等，2026）。PESTO（基于文本与本体的先验证据状态）将基因-表型关联的先验证据分类为Novel、Hypothesized、Existing或Established，其依据是语言模型读取的PubMed文献，并另行依据Open Targets平台。本记录保存了该工作产生的成果：pesto_paper_runs.tar.gz：手稿及其补充材料中图表背后的所有已保存模型答案，每个基因-表型对和配置对应一个JSON文件（检索词、检索到的文章、每篇文章的相关性等级、分类结果、分类依据及模型原始答案、token数与成本），以及Open Targets记录。pesto_paper_tables.tar.gz：由这些答案生成的表格、基准配对，以及绘图脚本读取的表格。MANIFEST.tsv：每个运行目录及其所支持的论文条目、配置、模型和日期。

为避免任何版权问题，已从每个文件中删除文章正文（摘要和全文）；每篇文章保留其PMID、标题和日期。其他研究和数据库的数据不再重新分发：README.md中列出了这些数据及其链接。所用模型为Claude Opus 5和Claude Haiku 4.5（另有一项补充比较使用了Gemini 4 Argon和Gemini 3.8 Flash），运行时间为2026年8月至10月。代码以及重绘每张图表的脚本位于PESTO-release（https://github.com/jeremyguez/PESTO-release）；在克隆仓库的根目录下解压后，两个压缩包会将每个文件放到脚本所预期的位置。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。