CATH
收藏资源简介：
CATH Domain Classification是一个基于CATH层次分类数据库构建的蛋白质结构域分类数据集。该数据集旨在为蛋白质结构域分类、结构预测和功能注释等计算生物学任务提供标准化的训练和测试数据。它包含601,328个蛋白质结构域样本，划分为训练集（541,123行）和测试集（60,205行），采用基于S35聚类的确定性划分策略以避免数据泄露。数据集提供了丰富的字段，包括标识符、CATH分类信息、序列聚类信息、序列信息、结构信息等，并涵盖关键统计信息如结构类别分布和序列长度范围。数据来源于CATH官方文件。
CATH Domain Classification is a protein domain classification dataset built on the CATH hierarchical classification database. It aims to provide standardized training and testing data for computational biology tasks such as protein domain classification, structure prediction, and functional annotation. The dataset contains 601,328 protein domain samples, divided into a training set (541,123 rows) and a test set (60,205 rows), using a deterministic S35 cluster-aware partitioning strategy to prevent data leakage. It offers extensive fields including identifiers, CATH classification information, sequence clustering information, sequence information, structural information, and key statistics such as structural class distribution and sequence length range. The data is sourced from official CATH files.
数据集名称
CATH Domain Classification
数据集简介
CATH 是一个蛋白质结构域的层次分类数据库，按 类别（Class）、架构（Architecture）、拓扑（Topology） 和 同源超家族（Homologous Superfamily） 对蛋白质结构域进行组织。本数据集以 Parquet 格式提供预处理后的 CATH 数据。
数据集规模与划分
- 总行数：601,328 条记录（每个结构域为一行）
- 训练集：541,123 行
- 测试集：60,205 行
- 划分策略：基于 S35 聚类键和同源超家族进行确定性划分，确保同一 S35 聚类簇的亲属结构域不会同时出现在训练集和测试集中，避免信息泄露。
核心统计指标
- 唯一 S35 聚类键：37,350
- 唯一同源超家族：6,630
- 唯一拓扑：1,472
- 唯一架构：43
- 训练/测试集 S35 聚类重叠数：0
- 未知结构分辨率哨兵行：9,726
- 序列长度范围：9 至 1,275 个氨基酸，中位长度为 140。
CATH 类别分布
| CATH 类别 | 行数 |
|---|---|
| Alpha Beta（α/β） | 305,361 |
| Mainly Beta（主要β） | 158,943 |
| Mainly Alpha（主要α） | 126,178 |
| Few Secondary Structures（极少二级结构） | 6,034 |
| Special（特殊） | 4,812 |
主要列说明
| 列名 | 描述 |
|---|---|
domain_id |
CATH 结构域标识符，例如 1oaiA00 |
pdb_id, chain_id, pdb_chain_id |
解析出的 PDB 和链标识符 |
cath_version |
来自 FASTA 头部的 CATH 版本号 |
cath_code |
同源超家族级别的完整 CATH 分类代码 |
class_*, architecture_*, topology_*, homologous_superfamily_* |
数字代码、完整层次代码、名称及示例结构域 |
s35_cluster_id, s60_cluster_id, s95_cluster_id, s100_cluster_id |
来自结构域列表的 CATH 序列聚类标识符 |
s35_cluster_key |
用于泄露感知划分的复合键 |
domain_length |
来自 CATH 结构域列表的结构域长度 |
raw_structure_resolution_angstrom |
原始结构分辨率值 |
structure_resolution_angstrom |
将 CATH 的未知哨兵值 999.000 转换为 null 后的分辨率 |
sequence |
来自 cath-domain-seqs.fa 的氨基酸序列 |
sequence_length |
序列长度 |
sequence_range |
源 FASTA 残基范围，包含不连续范围（如 2-78_187-208） |
sequence_range_start, sequence_range_end |
解析出的最小起始和最大结束残基位置 |
sequence_segment_count |
sequence_range 中以下划线分隔的片段数 |
in_s35_nonredundant_subset 等 |
结构域是否出现在相应的 CATH 非冗余子集列表中 |
数据加载
使用 Hugging Face datasets 库加载：
python
from datasets import load_dataset
ds = load_dataset("LiteFold/CATH")
train = ds["train"]
test = ds["test"]
支持流式加载和按非冗余子集过滤。
数据来源文件
cath-domain-list.txt、cath-domain-list-S35.txt等聚类列表cath-domain-seqs.fa（序列文件）cath-names.txt（名称文件）- 原始 PDB tar 包保留在仓库中，但未嵌入 Parquet 表。
许可协议
Creative Commons Attribution 4.0 International（CC BY 4.0）
引用
bibtex @article{sillitoe2021cath, title = {CATH: increased structural coverage of functional space}, author = {Sillitoe, Ian and Bordin, Nicola and Dawson, Natalie and others}, journal = {Nucleic Acids Research}, volume = {49}, number = {D1}, pages = {D266--D273}, year = {2021}, doi = {10.1093/nar/gkaa1079} }
