InstaDeepAI/true-cds-protein-tasks
收藏资源简介：
该基准测试包含五个蛋白质任务（4个回归任务和1个氨基酸级别的分类任务），这些任务在文献中经常出现，并且每个蛋白质都有相关的真实CDS序列。该基准测试的目的是编译一组蛋白质任务，以便在最高可靠性的情况下评估基因组模型。具体任务包括：avGFP荧光预测（fluorescence）、二级结构预测（ssp）、熔点预测（melting_point）、稳定度预测（stability）和β-内酰胺酶活性预测（beta_lactamase_complete和beta_lactamase_unique）。每个任务都有训练集、验证集和测试集的分割，除了二级结构预测任务，它有1个训练集和3个独立的测试集。数据来源于多个研究，如Klausen等、Firnberg等、Sarkisyan等和Rocklin等。
The benchmark consists of five proteins tasks (4 regression and one amino-acid level classification) frequent in the literature which have the associated true CDS seqeunces for each protein. The motivation for this benchmark is to compile a set of protein tasks on which genomic models can be evaluated with the highest reliability. The tasks include: avGFP Fluorescence Prediction (fluorescence), Secondary Structure Prediction (ssp), Melting Point Prediction (melting_point), Stability Prediction (stability), and Beta-Lactamase Activity Prediction (beta_lactamase_complete and beta_lactamase_unique). Each task has train, validation, and test splits except for SSP, which has one training set and three independent test sets. Data sources include studies by Klausen et al., Firnberg et al., Sarkisyan et al., and Rocklin et al.
数据集概述
数据集名称
True CDS Protein Tasks
许可证
cc-by-nc-sa-4.0
语言
英语
标签
生物学、基因组学
数据集描述
本基准包含五个蛋白质任务（四个回归任务和一个氨基酸级分类任务），这些任务在文献中频繁出现，并附有每个蛋白质的真实编码序列。该基准的目的是汇编一组蛋白质任务，以便基因组模型可以在此基础上进行最高可靠性的评估。
任务概览
| 任务名称 | name |
样本输出 | 训练序列数 | 验证序列数 | 测试序列数 |
|---|---|---|---|---|---|
| avGFP荧光预测 | fluorescence |
{sequence, labels} | 21464 | 5366 | 27217 |
| 二级结构预测 (SSP) | ssp |
{sequence, labels} | 7780 | NA | 334 |
| 熔点预测 (MPP) | mpp |
{sequence, labels} | 9432 | 1064 | 1648 |
| 稳定性预测 | stability |
{sequence, labels} | 53700 | 2512 | 12851 |
| β-内酰胺酶活性预测 (完整分割) | beta_lactamase_complete |
{sequence, labels} | 11252 | 2814 | 1080 |
| β-内酰胺酶活性预测 (唯一分割) | beta_lactamase_unique |
{sequence, labels} | 3417 | 865 | 1080 |
分割
除SSP任务外，每个任务都有一个验证集、训练集和测试集。SSP任务有一个训练集和三个独立的测试集。验证集通常从训练集中随机分割。
加载数据集示例
python from datasets import load_dataset
task_name = "ssp"
dataset = load_dataset( "InstaDeepAI/true-cds-protein-tasks", name=task_name, )
数据集任务详细描述
二级结构预测 (SSP)
这是一个多标签分类任务，每个输入氨基酸与八个标签之一相关联，表示该残基所属的二级结构。所有二级结构均通过晶体学或NMR实验获得。训练和验证集的数据由Klausen等人收集，晶体结构从蛋白质数据库中检索，并经过筛选以确保泛化性。
熔点预测 (MPP)
这是一个序列级回归任务，评估模型预测熔化温度的能力。数据源自热稳定性图谱，使用质谱法测定。遵循FLIP中描述的“混合”分割，以避免对大型集群的过度强调。
β-内酰胺酶活性预测
这是一个回归任务，探索TEM-1基因中所有单密码子替代的适应性景观。标签指示突变基因赋予氨苄青霉素抗性的能力。数据来自Firnberg等人的研究，该研究系统地检查了TEM-1 β-内酰胺酶基因中所有单密码子突变的适应性景观。
荧光预测
此任务评估模型预测高阶突变绿色荧光蛋白（avGFP）序列对数荧光的能力。原始数据来自Sarkisyan等人的实验研究，该研究通过随机突变生成库。
稳定性预测
这是一个回归任务，评估模型预测高适应性序列周围小区域稳定性的能力。训练和验证集来自多轮实验，包含多种计算设计的蛋白质。测试集包含围绕最稳定候选者的单密码子突变邻域。
