GenoTEX（Genomics Data Automatic Exploration Benchmark）是一个面向基因表达数据自动化分析的基准数据集，特别用于评估基于大语言模型（LLM）的智能体在真实世界基因表达分析任务中的表现。该基准由专家标注，相关论文已被 MLCB 2025 接收为 Oral 报告。其目标是在考虑其他生物因素影响的前提下，识别与疾病相关的基因。
用途： GenoTEX 提供注释代码和结果，用于解决广泛的基因-性状关联（GTA）分析问题，涵盖数据集选择、预处理和统计分析，并遵循计算基因组学标准流程。该基准包含生物信息学专家的标注，以确保准确性和可靠性。
主要能力与数据规模：
- 1,384 个 GTA 分析问题：包括 132 个无条件问题和 1,252 个条件问题。
- 41.5 GB 输入数据：911 个数据集，平均每个数据集 167 个样本，总计 152,415 个样本。
- 237,907 行分析代码：由生物信息学专家精心整理，平均每个数据集 261 行。
- 三个评估任务：数据集选择、数据预处理和统计分析。
- 综合基因特征：平均每个数据集 18,530 个归一化基因特征。
- 显著基因发现：每个问题识别出的显著基因。
使用方式： GenoTEX 提供两种分发方式：
- GitHub 仓库 + 云存储：代码和文档托管在 GitHub，数据通过单独的云存储链接（Google Drive、百度网盘）提供。总数据大小 82.0 GB。
- 数据平台完整打包：在 Kaggle 和 Hugging Face 上提供代码和数据的打包版本。
使用步骤：
- 克隆 GitHub 仓库：
git clone https://github.com/Liu-Hy/GenoTEX.git，然后cd GenoTEX。 - 从云存储下载数据文件夹（'metadata', 'input', 'output'）并放入仓库根目录。
- 对于 Kaggle 用户，需运行脚本重新压缩 .gz 文件。
- 创建并激活 conda 环境。
- 探索基准：预处理 Jupyter Notebook 位于
./code/{trait_name}/目录，统计分析脚本为./code/regress.py。先运行预处理笔记本，再运行回归脚本。
评估自定义方法：
确保方法输出格式与基准一致，即组织为与 ./output 目录相同的结构。
适用场景： 适用于生物医学研究中基因表达数据分析的自动化方法评估，特别是针对基于 LLM 的智能体。可用于疾病标志物识别、个性化医疗等临床应用的自动化分析研究。
限制：
- 数据下载需要足够的磁盘空间（82.0 GB）。
- 数据组织有特定命名规范（如去除撇号、空格替换为下划线）。
- 使用需遵循相关许可和引用要求。
