dotan1111/MSA-nuc-4-seq
收藏Hugging Face2023-09-18 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/dotan1111/MSA-nuc-4-seq
下载链接
链接失效反馈官方服务：
资源简介：
该数据集包含由SpartaABC生成的数百万个真实对齐序列，用于训练、验证和测试BetaAlign模型。数据集包括蛋白质和DNA的多序列对齐（MSA），每个数据集包含十个序列。生成这些数据时，使用了随机生成的系统发育树和特定的替代模型参数。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。每个随机树的枝长从均匀分布中抽取，序列生成时考虑了插入和删除率以及Zipfian分布参数。
提供机构：
dotan1111
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（Loewenthal et al., 2021）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）。
- 树生成：随机进化树拓扑结构使用ETE版本3.0（Huerta-Cepas et al., 2016）生成，默认参数。
- 数据集：
- 生成1,495,000个蛋白质多序列比对（MSA），用于训练、验证和测试数据。
- 生成相同数量的DNA MSA。
- 每个随机树的分支长度从均匀分布*(0.5,1.0)*中抽取。
- 序列使用SpartaABC生成，参数为R_I,R_D in (0.0,0.05)，A_I, A_D in (1.01,2.0)。
- 根长度在范围*[32,44]*内均匀采样。
- 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。
- 示例：
- 示例比对：{"MSA": "AAAC-GGG", "unaligned_seqs": {"seq0": "AAG", "seq1": "ACGG"}}
