yarongef/human_proteome_triplets
收藏Hugging Face2022-09-21 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/yarongef/human_proteome_triplets
下载链接
链接失效反馈官方服务：
资源简介：
该数据集来源于UniProt人类蛋白质组，最初包含20,577个人类蛋白质。经过筛选，移除了长度小于20个氨基酸或大于512个氨基酸的序列，最终得到12,703个蛋白质。随后使用uShuffle算法对这些蛋白质序列进行随机化处理，并移除无法成功随机化的序列。最后，使用h-CD-HIT算法在三个不同的相似度阈值（0.9、0.5和0.1）下进行过滤，最终得到3,688个序列。
提供机构：
yarongef
原始信息汇总
数据集概述
数据集来源与处理
- 原始数据包含20,577个人类蛋白质序列，来源于UniProt人类蛋白质组。
- 经过筛选，移除了序列长度小于20或大于512氨基酸的蛋白质，剩余12,703个蛋白质。
- 使用uShuffle算法对这些蛋白质序列进行随机打乱，同时保持其三联体分布。未能成功打乱的序列被移除。
- 通过h-CD-HIT算法，并经过三次过滤阶段，分别在0.9、0.5和0.1的成对身份截止值下进行筛选，最终得到3,688个序列。
数据集引用信息
- 引用文献：Geffen, Yaron, Ofran, Yanay, and Unger, Ron. "DistilProtBert: A distilled protein language model used to distinguish between real proteins and their randomly shuffled counterparts." Bioinformatics, 2022, doi:10.1093/bioinformatics/btac474.
