Taec：一个用于小麦育种文献性状与表型提取及实体链接的人工标注文本数据集

小麦品种表现出极大的性状和表型多样性。将其与遗传变异联系起来对于缩短育种周期和提高小麦育种效率至关重要。新近理想的小麦品种性状包括抗病性以减少农药使用、适应气候变化、耐热和耐旱胁迫，或籽粒低麸质含量。小麦育种实验由大量科学文献以及在田间和受控条件下获得的观测数据所记录。来自文献和观测数据的互补信息的交叉引用对于研究基因型-表型关系和改进小麦选育至关重要。关于遗传标记辅助选择的科学文献描述了基因型-表型关系的大量信息。然而，科学文章中用于指代性状和表型值的表达方式的多样性阻碍了信息的查找和交叉引用。当通过标注样本进行充分训练后，最新的文本挖掘方法在科学领域的命名实体识别和链接中表现优异。虽然已有多个语料库包含人类和动物表型的标注，但目前尚无可用于植物表型文献中命名实体识别和实体链接方法训练与评估的语料库。Triticum aestivum性状语料库（Triticum aestivum trait Corpus）是小麦性状和表型的一个新的黄金标准。它包含540篇PubMed参考文献，使用小麦性状与表型本体（Wheat Trait and Phenotype Ontology）和美国国家生物技术信息中心（NCBI）的物种分类法，对性状、表型和物种命名实体进行了全面标注。对在Triticum aestivum性状语料库上训练的工具的性能研究表明，该语料库适用于命名实体识别和链接的训练与评估。