vector-institute/atom3d-psr

该数据集用于预测蛋白质分子的三维结构，给定其序列。数据集包含约700个蛋白质目标，来源于CASP 5-13。每个目标包含其假定结构集合，这些结构经过SCWRL4软件处理以改善侧链构象。数据集按年份分割，用于训练、验证和测试。

This dataset is used for predicting the three-dimensional structure of a protein molecule given its sequence. It includes around 700 protein targets from CASP 5-13. Each target contains its decoy sets, which are processed with the SCWRL4 software to improve side-chain conformations. The dataset is split by year for training, validation, and testing.

原始信息汇总

PSR: Protein Structure Ranking

概述

• 任务：预测蛋白质分子的三维结构，给定其序列。
• 目标数量：约700个蛋白质目标。
• 来源：来自Critical Assessment of Structure Prediction (CASP) 5-13。
• 问题表述：作为假象排名问题。每个蛋白质目标包含从CASP假象集编译的假象集，使用SCWRL4软件改进侧链构象。
• 评分指标：RMSD、TM-score、GDT_TS、GDT_HA。

数据集

• 特征：
  • input_ids：序列，类型为int32。
  • coords：序列，包含float64类型的序列。
  • labels：序列，类型为float64。
• 分割：
  • train：25400个样本，1614130168字节。
  • val：2800个样本，192093760字节。
  • test：16014个样本，1264620360字节。
• 下载大小：1497041025字节。
• 数据集大小：3070844288字节。
• 配置：
  • default：
    • train：路径为data/train-*。
    • val：路径为data/val-*。
    • test：路径为data/test-*。
• 分割方式：
  • split-by-year：按时间分割CASP数据集。训练和验证集从CASP5-10随机分割，测试集使用CASP11 Stage 2。

引用信息

@article{townshend2020atom3d, title={Atom3d: Tasks on molecules in three dimensions}, author={Townshend, Raphael JL and V{"o}gele, Martin and Suriana, Patricia and Derry, Alexander and Powers, Alexander and Laloudakis, Yianni and Balachandar, Sidhika and Jing, Bowen and Anderson, Brandon and Eismann, Stephan and others}, journal={arXiv preprint arXiv:2012.04035}, year={2020} }

@article{kryshtafovych2019critical, title={Critical assessment of methods of protein structure prediction (CASP)—Round XIII}, author={Kryshtafovych, Andriy and Schwede, Torsten and Topf, Maya and Fidelis, Krzysztof and Moult, John}, journal={Proteins: Structure, Function, and Bioinformatics}, volume={87}, number={12}, pages={1011--1020}, year={2019}, publisher={Wiley Online Library} }