dotan1111/MSA-amino-7-seq

该数据集是通过SpartaABC工具生成的，用于训练和测试BetaAlign方法。数据集包括蛋白质和DNA的多序列对齐（MSA），分别生成了1,495,000个训练样本、2,000个验证样本和3,000个测试样本。生成数据集时，使用了随机生成的系统发育树，并设置了插入率、删除率、Zipfian分布参数等。蛋白质数据集使用WAG+G模型生成，DNA数据集使用GTR+G模型生成。数据集的对齐长度和序列长度因插入删除动态和根序列长度而异。

原始信息汇总

多序列比对作为序列到序列学习问题

数据

• 数据生成工具：使用SpartaABC生成数百万个真实比对。
• 输入参数：
  • 根系进化树，包括拓扑结构和分支长度。
  • 替换模型（氨基酸或核苷酸）。
  • 根序列长度。
  • 插入和删除模型参数，包括插入率（R_I）、删除率（R_D）、插入Zipfian分布参数（A_I）和删除Zipfian分布参数（A_D）。
• 数据集规模：
  • 生成了1,495,000个蛋白质多序列比对（MSA）用于训练，2,000个用于验证，3,000个用于测试。
  • 生成了相同数量的DNA MSA。
• 树参数：
  • 随机生成树的拓扑结构，使用ETE版本3.0生成，默认参数。
  • 分支长度从均匀分布*(0.5,1.0)*中抽取。
• 序列生成参数：
  • 使用SpartaABC生成序列，参数为R_I,R_D in (0.0,0.05)，A_I, A_D in (1.01,2.0)。
  • 根序列长度从均匀分布*[32,44]*中抽取。
• 模型参数：
  • 蛋白质数据集使用WAG+G模型。
  • DNA数据集使用GTR+G模型，参数包括核苷酸频率和替换率。

示例

以下示例对应上图中的MSA：

json {"MSA": "AAAC-GGG", "unaligned_seqs": {"seq0": "AAG", "seq1": "ACGG"}}