InstaDeepAI/ms_ninespecies_benchmark

该数据集用于InstaNovo模型与其他模型的基线比较。训练集包含8个非酵母物种，验证/测试集包含酵母物种。数据集为表格形式，每行对应一个标记的MS2光谱，包含序列、修饰序列、前体质量电荷比、电荷、MS2光谱的质量电荷比和强度值等特征。数据集来源于DeepNovo论文，原始数据可在MASSIVE上获取，标识符为MSV000081382。

Dataset used for the baseline comparison of InstaNovo to other models. The training set contains 8 species excluding yeast, while the validation/test set contains the yeast species. The dataset is tabular, where each row corresponds to a labelled MS2 spectra, including features such as sequence, modified sequence, precursor mass-to-charge ratio, charge, mass-to-charge values and intensity values of MS2 spectrum. The dataset originates from the DeepNovo paper, and the original data is available on MASSIVE with the identifier MSV000081382.

原始信息汇总

数据集卡片

数据集描述

数据集摘要

• 训练集包含8个物种，不包括酵母。
• 验证/测试集包含酵母物种。

数据集结构

数据集为表格形式，每行对应一个标记的MS2光谱。

• sequence (string)
  目标肽序列，不包括翻译后修饰。
• modified_sequence (string)
  目标肽序列，包括翻译后修饰。
• precursor_mz (float64)
  前体（来自MS1）的质荷比。
• precursor_charge (int64)
  前体（来自MS1）的电荷。
• mz_array (list[float64])
  MS2光谱的质荷比值。
• intensity_array (list[float32])
  MS2光谱的强度值。

数据集拆分

• 训练集
  • 字节数: 839098224
  • 样本数: 499402
• 验证集
  • 字节数: 49792990
  • 样本数: 28572
• 测试集
  • 字节数: 45505134
  • 样本数: 27142

数据集大小

• 下载大小: 1119691599
• 数据集大小: 934396348

搜集汇总

数据集介绍

构建方式

该数据集源自DeepNovo原始研究中的基准数据集，专为InstaNovo模型的基线对比而构建。其训练集涵盖了除酵母外的八个物种的质谱数据，而验证集与测试集则仅包含酵母物种的谱图信息。数据以表格形式组织，每行对应一个标记好的MS2质谱图，包含目标肽段序列（含或不含翻译后修饰）、前体离子的质荷比与电荷数，以及MS2谱图的质荷比和强度序列。数据以分片形式存储于HuggingFace，划分为训练、验证和测试三个子集，分别包含约49.9万、2.9万和11.1万个样本。

特点

该数据集的显著特点在于其跨物种的设计，训练集涵盖八种不同生物，而验证与测试集则聚焦于酵母，这为评估模型在未见物种上的泛化能力提供了严苛的测试条件。数据集中每个样本均提供完整的肽段序列信息，包括翻译后修饰的标注，使其适用于从头肽段测序（de novo peptide sequencing）任务。此外，原始质谱数据来源于公开的MASSIVE数据库（标识符MSV000081382），确保了研究的可重复性。数据集采用了CC0-1.0许可协议，鼓励广泛使用与再分发。

使用方法

使用时，可通过HuggingFace的datasets库轻松加载该数据集，其配置名称为'default'，支持按训练、验证和测试划分读取。数据以字典形式提供，字段包含sequence、modified_sequence、precursor_mz、precursor_charge、mz_array和intensity_array。开发者可将这些特征直接输入到InstaNovo或其他基于深度学习的从头肽段测序模型中进行训练与评估。在模型推理时，需将mz_array和intensity_array作为谱图输入，而sequence或modified_sequence则作为真实标签用于损失计算。建议在引用时同时注明原始数据作者及InstaNovo论文，以遵循学术规范。

背景与挑战

背景概述

在蛋白质组学研究中，从头肽段测序（de novo peptide sequencing）是解析未知蛋白序列的关键技术，其通过质谱数据直接推断肽段氨基酸序列，无需依赖数据库检索。ms_ninespecies_benchmark数据集由InstaDeep AI与多家合作机构于2025年构建，源自经典DeepNovo研究的原始质谱数据，涵盖除酵母外的八个物种（如人类、小鼠等）的MS2谱图，共计约50万训练样本。该数据集旨在为比较和评估新型从头测序模型（如扩散模型驱动的InstaNovo）提供统一基准，其发布在Nature Machine Intelligence上的配套论文中，已成为衡量蛋白组学从头测序算法性能的重要参考标准，显著推动了该领域从传统方法向深度学习范式的转变。

当前挑战

该数据集所解决的领域核心挑战在于：传统从头测序方法在面对复杂翻译后修饰、高噪音谱图及多物种间序列变异性时，准确率与鲁棒性严重不足。构建过程中，研究人员需整合来自多个物种、不同质谱仪产生的异构数据，面临谱图质量差异大、标记一致性与精确性难以保障的难题。此外，数据处理管线需精细校准前体离子质荷比与电荷状态，并标准化来自MS1与MS2的信息流，以构建高质量的序列-谱图对应关系。酵母物种被单独划入验证集，进一步增加了跨物种泛化评估的难度，要求模型具备超越训练数据分布的推断能力，这对深度学习模型的迁移学习与域适应性能构成了严峻考验。

常用场景

经典使用场景

在蛋白质组学研究中，ms_ninespecies_benchmark 数据集被广泛用作从头肽段测序模型的基准测试平台。该数据集汇集了除酵母外的八个物种的质谱二级碎片谱图，为训练先进的深度学习模型提供了高质量的标注数据。研究者通常基于该数据集的训练集构建肽段序列预测模型，并在包含酵母物种的验证集与测试集上评估模型泛化性能，从而推动从头测序算法的迭代与比较。

实际应用

在实际应用中，该数据集为蛋白质组学数据分析工具的研发提供了关键支持。基于此数据集训练的模型能够从质谱数据中直接推断未知肽段序列，这一能力对于抗体发现、毒液组学分析、微生物组蛋白质鉴定和疾病生物标志物筛查等场景尤为重要。无需依赖蛋白质数据库的从头测序方法，特别适合分析非模式生物或具有大量修饰的复杂蛋白质样品。

衍生相关工作

围绕ms_ninespecies_benchmark数据集，衍生出一系列代表性工作。除了作为InstaNovo扩散模型对比基线外，它还被用于评估DeepNovo、PointNovo、Casanovo等多种从头测序算法。这些工作通过改进注意力机制、引入图神经网络或生成式架构，不断刷新了肽段序列从头推测的准确率。该数据集也促进了质谱谱图模拟与数据增强方法的研究，推动了去新测序领域从经典RNN向现代深度生成模型的范式转变。