zgcarvalho/uniref50-test

---
license: cc-by-4.0
size_categories: 10M<n<100M
pretty_name: UniRef50
tags:
- biology
- protein
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: id
dtype: string
- name: sequence
dtype: string
splits:
- name: train
num_bytes: 15468741441.32825
num_examples: 49719601
- name: test
num_bytes: 3867185593.6717486
num_examples: 12429901
download_size: 18625264941
dataset_size: 19335927035.0
---

# Dataset Card for UniRef50

## Dataset Description

- **Homepage:**
- **Repository:**
- **Paper:**
- **Leaderboard:**
- **Point of Contact:**

### Dataset Summary

[More Information Needed]

### Supported Tasks and Leaderboards

[More Information Needed]

### Languages

[More Information Needed]

## Dataset Structure

### Data Instances

[More Information Needed]

### Data Fields

[More Information Needed]

### Data Splits

[More Information Needed]

## Dataset Creation

### Curation Rationale

[More Information Needed]

### Source Data

#### Initial Data Collection and Normalization

[More Information Needed]

#### Who are the source language producers?

[More Information Needed]

### Annotations

#### Annotation process

[More Information Needed]

#### Who are the annotators?

[More Information Needed]

### Personal and Sensitive Information

[More Information Needed]

## Considerations for Using the Data

### Social Impact of Dataset

[More Information Needed]

### Discussion of Biases

[More Information Needed]

### Other Known Limitations

[More Information Needed]

## Additional Information

### Dataset Curators

[More Information Needed]

### Licensing Information

[More Information Needed]

### Citation Information

[More Information Needed]

### Contributions

[More Information Needed]

---
许可证：CC BY 4.0
规模类别：样本数量介于1000万与1亿之间
展示名称：UniRef50
标签：
- 生物学
- 蛋白质
配置项：
- 配置名称：默认
数据文件：
- 拆分：训练集
路径：data/train-*
- 拆分：测试集
路径：data/test-*
数据集信息：
特征字段：
- 名称：id
数据类型：字符串
- 名称：序列
数据类型：字符串
数据拆分：
- 拆分名称：训练集
字节数：15468741441.32825
样本数量：49719601
- 拆分名称：测试集
字节数：3867185593.6717486
样本数量：12429901
下载总大小：18625264941
数据集总大小：19335927035.0
---

# UniRef50 数据集卡片

## 数据集说明

- **主页：**
- **代码仓库：**
- **相关论文：**
- **排行榜：**
- **联系人：**

### 数据集概述

[需补充更多信息]

### 支持任务与排行榜

[需补充更多信息]

### 语言支持

[需补充更多信息]

## 数据集结构

### 数据样例

[需补充更多信息]

### 数据字段说明

[需补充更多信息]

### 数据拆分说明

[需补充更多信息]

## 数据集构建

### 构建依据

[需补充更多信息]

### 源数据

#### 初始数据收集与标准化处理

[需补充更多信息]

#### 源数据生产者是谁？

[需补充更多信息]

### 标注信息

#### 标注流程

[需补充更多信息]

#### 标注人员是谁？

[需补充更多信息]

### 个人与敏感信息说明

[需补充更多信息]

## 数据集使用注意事项

### 数据集的社会影响

[需补充更多信息]

### 偏差分析

[需补充更多信息]

### 其他已知局限性

[需补充更多信息]

## 附加信息

### 数据集维护者

[需补充更多信息]

### 许可证信息

[需补充更多信息]

### 引用信息

[需补充更多信息]

### 贡献说明

[需补充更多信息]

原始信息汇总

数据集卡片 for UniRef50

数据集描述

数据集概要

• 许可证: cc-by-4.0
• 大小类别: 10M<n<100M
• 名称: UniRef50
• 标签:
  • biology
  • protein

配置

• 配置名称: default
  • 数据文件:
    • 分割: train
      • 路径: data/train-*
    • 分割: test
      • 路径: data/test-*

数据集信息

• 特征:

  • 名称: id
    • 数据类型: string
  • 名称: sequence
    • 数据类型: string

• 分割:

  • 名称: train
    • 字节数: 15468741441.32825
    • 样本数: 49719601
  • 名称: test
    • 字节数: 3867185593.6717486
    • 样本数: 12429901

• 下载大小: 18625264941

• 数据集大小: 19335927035.0

搜集汇总

背景与挑战

背景概述

该数据集是一个包含蛋白质序列的生物学数据集，格式为parquet，大小在10M到100M之间，主要用于蛋白质相关研究。数据集包含62.1M行数据，分为49.7M行的训练集和12.4M行的测试集。