“流星世界演绎者的生信绘图专属微调数据集” —— 致力于让大语言模型成为顶尖的科研插画师。
📌 简介 (Introduction) 本项目是一个专为生物信息学与结构生物学数据可视化打造的高质量指令微调数据集仓库。
通过持续收集顶级期刊 (CNS) 级别的绘图代码（如复杂多层热图、双样本 Logo 图、带显著性检验的差异柱状图等），并将其转化为标准的 Alpaca JSON 格式，本数据集旨在微调开源大语言模型 (如 Qwen2.5)，打造一个精通 R 语言生信绘图的“专属私有化代码副驾驶 (Copilot)”。
📂 仓库结构 (Repository Structure) 采用“本地模块化语料库 + 自动化脚本采集与打包”的双层管理架构：
Bio_Plot_Copilot_Dataset/
├── 00_Raw_Code_Pool/ # 🤖 [自动] GitHub API 爬取的待清洗 R 源码池
├── 01_Heatmaps/ # 📊 热图类代码标本
├── 02_Scatter_Plots/ # 📉 散点图/火山图代码标本
├── 03_Structural_Biology/ # 🧬 结构生物学特征可视化代码标本
├── github_r_scraper.py # 🚀 高分 R 代码自动化收集爬虫
├── build_dataset.py # 🌟 核心 JSON 打包脚本
├── bio_copilot_dataset.json # 自动生成的 Alpaca 格式微调文件
└── .gitignore # 严格防范大文件/隐私数据泄露
🚀 工作流 (Workflow)
本仓库采用“自动化采集 + 三步曲”的高效数据累积工作流：
告别手动低效搜索。通过根目录的爬虫脚本，调用 GitHub API 批量抓取高分期刊和顶级实验室的 .R 源码。
- 在本地配置
.env文件填入GITHUB_TOKEN。 - 运行
python github_r_scraper.py。 - 脚本会根据设定的关键词（如
"ComplexHeatmap" AND "ggseqlogo"），自动将优质脚本下载至00_Raw_Code_Pool/供后续人工筛选。
从源码池中筛选出优秀代码，在对应的分类目录（如 01_Heatmaps）下新建文件夹，并放入“核心三件套”：
meta.md: 用自然语言描述绘图需求（作为 Instruction）。code.R: 高质量、可运行且经过格式化的 R 语言绘图脚本（作为 Output）。mock_data.csv: 极小型的脱敏测试数据表头（作为 Input 上下文，防止模型产生幻觉）。
在根目录下运行自动化构建脚本：
python build_dataset.py脚本会自动遍历所有标本目录，将其压榨并组装成 LLaMA-Factory 可直接读取的 bio_copilot_dataset.json。
将生成的 JSON 文件挂载至 LLaMA-Factory 环境中，启动 LoRA 微调，将新的生信制图知识注入大模型。
💡 数据集样例 (Data Sample) 自动生成的 Alpaca 数据格式示例：
[
{
"instruction": "作为生物信息学代码助手，请编写一个 R 语言函数，使用 ggplot2 绘制带显著性标注的靶点富集差异柱状图。",
"input": "输入数据格式如下 (CSV 预览):\nposition,amino_acid,freq_diff,p_value,sig_label\n6,Y,0.15,0.01,**\n...",
"output": "```r\nlibrary(ggplot2)\n# ...高质量绘图代码...\n```"
}
]🗺️ 未来路线图 (Roadmap)
- 确立项目架构与模块化“三件套”语料库方案
- 编写自动化 GitHub 高质量 R 代码采集脚本
- 扩充
ggseqlogo序列特征可视化的核心数据集 - 在数据集中引入常见的“报错-修复”对（Negative Samples）
- 引入 CoT (思维链)，让模型在输出代码前先输出绘图逻辑
🛡️ 安全与隐私注意事项
严禁上传真实测序数据或未经脱敏的临床数据！ 本仓库的 .gitignore 已配置严格规则，默认拦截所有 .csv, .rds, .RData 等大型文件，仅允许各标本文件夹下名为 mock_data.csv 的微型样例数据入库。
🤝 参与贡献 (Contributing) 如果你同样被糟糕的生信作图折磨过，或者手里有引以为傲的 R 语言绘图脚本，欢迎提交 Pull Request，一起充实这个 Copilot 的“知识库”！