BAAI/OPI|蛋白质分析数据集|生物信息学数据集

Open Protein Instructions (OPI) 数据集是Open Biology Instructions (OBI) 项目的一部分，专注于蛋白质领域的学习和研究。该数据集通过整合、清洗、标注等处理来自第三方原始数据集的数据，提供详细的蛋白质序列及其生物功能分类信息，如EC分类。数据集结构包括多个子文件夹和不同类型的数据文件，用于训练和测试。OPI数据集遵循Creative Commons Attribution Non Commercial 4.0 License，并需遵守原始数据集的许可和免责声明。

原始信息汇总

数据集卡片 for Open Protein Instructions (OPI)

数据集更新

OPI 数据集的先前版本基于 UniProtKB/Swiss-Prot 蛋白质知识库的 2022_01 版本。目前，OPI 已更新至包含最新的 2023_05 版本，可通过数据集文件 OPI_updated_160k.json 访问。

数据集描述

数据集概述

Open Protein Instructions (OPI) 是 Open Biology Instructions (OBI) 项目的初始部分，与后续的 Open Molecule Instructions (OMI)、Open DNA Instructions (ODI)、Open RNA Instructions (ORI) 和 Open Single-cell Instructions (OSCI) 一起。OBI 项目旨在充分利用大型语言模型（LLMs），特别是像 Galactica 这样的科学 LLMs，以促进生命科学领域的人工智能研究。尽管 OBI 仍处于早期阶段，我们希望为社区提供一个起点，以桥接 LLMs 和生物学领域知识。

数据实例

instruction: What is the EC classification of the input protein sequence based on its biological function? input:
MGLVSSKKPDKEKPIKEKDKGQWSPLKVSAQDKDAPPLPPLVVFNHLTPPPPDEHLDEDKHFVVALYDYTAMNDRDLQMLKGEKLQVLKGTGDWWLARS LVTGREGYVPSNFVARVESLEMERWFFRSQGRKEAERQLLAPINKAGSFLIRESETNKGAFSLSVKDVTTQGELIKHYKIRCLDEGGYYISPRITFPSL QALVQHYSKKGDGLCQRLTLPCVRPAPQNPWAQDEWEIPRQSLRLVRKLGSGQFGEVWMGYYKNNMKVAIKTLKEGTMSPEAFLGEANVMKALQHERLV RLYAVVTKEPIYIVTEYMARGCLLDFLKTDEGSRLSLPRLIDMSAQIAEGMAYIERMNSIHRDLRAANILVSEALCCKIADFGLARIIDSEYTAQEGAK FPIKWTAPEAIHFGVFTIKADVWSFGVLLMEVVTYGRVPYPGMSNPEVIRNLERGYRMPRPDTCPPELYRGVIAECWRSRPEERPTFEFLQSVLEDFYT ATERQYELQP output: 2.7.10.2

数据分割

OPI 数据集的文件夹结构如下：

./OPI_DATA/ ├── AP │ ├── Function │ │ ├── test │ │ │ ├── CASPSimilarSeq_function_test.jsonl │ │ │ ├── IDFilterSeq_function_test.jsonl │ │ │ └── UniProtSeq_function_test.jsonl │ │ └── train │ │ ├── function_description_train.json │ │ └── function_description_train_0.01.json │ ├── GO │ │ ├── test │ │ │ ├── CASPSimilarSeq_go_test.jsonl │ │ │ ├── IDFilterSeq_go_test.jsonl │ │ │ └── UniProtSeq_go_test.jsonl │ │ └── train │ │ ├── go_terms_train.json │ │ └── go_terms_train_0.01.json │ └── Keywords │ ├── test │ │ ├── CASPSimilarSeq_keywords_test.jsonl │ │ ├── IDFilterSeq_keywords_test.jsonl │ │ └── UniProtSeq_keywords_test.jsonl │ └── train │ ├── keywords_train.json │ └── keywords_train_0.01.json ├── KM │ ├── gSymbol2Cancer │ │ ├── test │ │ │ └── gene_symbol_to_cancer_test.jsonl │ │ └── train │ │ └── gene_symbol_to_cancer_train.json │ ├── gName2Cancer │ │ ├── test │ │ │ └── gene_name_to_cancer_test.jsonl │ │ └── train │ │ └── gene_name_to_cancer_train.json │ └── gSymbol2Tissue │ ├── test │ │ └── gene_symbol_to_tissue_test.jsonl │ └── train │ └── gene_symbol_to_tissue_train.json └── SU ├── EC_number │ ├── test │ │ ├── CLEAN_EC_number_new_test.jsonl │ │ └── CLEAN_EC_number_price_test.jsonl │ └── train │ ├── CLEAN_EC_number_train.json ├── Fold_type-Remote │ ├── test │ │ └── Remote_test.jsonl │ └── train │ └── Remote_train.json └── Subcellular_location ├── test │ ├── location_test.jsonl └── train └── location_train.json

数据集创建

OPI 数据集由我们自己策划，从 Swiss-Prot 数据库中提取关键信息。详细的构建流程在我们的手稿补充材料中描述，该手稿已提交至 NeurIPS 2023 数据集和基准。下图展示了构建过程的概述。

许可证

该数据集采用 Creative Commons Attribution Non Commercial 4.0 许可证。使用此数据集还应遵守 UniProt 的原始 License & Disclaimer 和 Privacy Notice。

AI搜集汇总

数据集介绍

构建方式

OPI数据集的构建是基于对Swiss-Prot数据库的关键信息提取，通过对蛋白质序列的生物功能进行分类和标注，形成了包含9个蛋白质相关任务的指令数据集。这一过程涉及数据清洗、格式整合、标注和分类等多个步骤，以确保数据集的质量和适用性。

特点

OPI数据集的特点在于其涵盖了广泛的蛋白质生物学任务，如EC编号预测、折叠类型预测、亚细胞定位预测等，为大型语言模型在蛋白质领域的应用提供了丰富的指令和注释。数据集还注重隐私保护和知识产权的尊重，确保了数据使用的合法性和安全性。

使用方法

使用OPI数据集时，用户需遵守Creative Commons Attribution Non Commercial 4.0 License以及UniProt的原始许可和隐私通知。用户可以通过HuggingFace平台下载数据集，并在学术研究和学习目的下使用。同时，用户应确保在使用过程中不侵犯任何第三方权利，并妥善处理可能涉及的个人信息。

背景与挑战

背景概述

Open Protein Instructions（OPI）数据集，由北京人工智能研究院（BAAI）提供，旨在推动大型语言模型在蛋白质生物学领域的应用研究。该数据集整合了来自第三方原始数据集的信息，经过格式整合、数据清洗、标注、分类和注释等处理，形成了覆盖9个蛋白质相关任务的指令集。OPI数据集是Open Biology Instructions（OBI）项目的初始部分，该项目旨在充分利用大型语言模型，尤其是科学LLM模型如Galactica，以促进生命科学社区的研究。OPI数据集的研究背景是推动AI在生命科学领域的应用，创建时间为2024年，主要研究机构为北京人工智能研究院。

当前挑战

在构建OPI数据集的过程中，研究人员面临了多个挑战。首先，数据集的构建需要从Swiss-Prot数据库中提取关键信息，这要求精确的数据处理技术。其次，数据集需要遵守原始数据集的版权和使用规则，同时确保不侵犯任何第三方的知识产权。此外，数据集的构建还需考虑到个人信息的保护，避免涉及个人隐私信息的处理。在使用过程中，研究人员还需面对如何准确理解和应用数据集中的指令，以及如何处理可能存在的数据不准确或不完整的问题。

常用场景

经典使用场景

OPI数据集的经典使用场景在于为大型语言模型(LLM)提供针对蛋白质相关任务的指令调优(instruction tuning)训练数据。该数据集包含9个蛋白质相关任务，如EC编号预测、折叠类型预测、亚细胞定位预测等，为LLM在蛋白质生物学领域的应用提供了丰富的指令示例和训练场景。

实际应用

在实际应用中，OPI数据集可以被用于药物设计、生物信息学研究和蛋白质工程等领域。它为研究人员提供了工具，以更准确地预测蛋白质的功能和与其他分子的交互，这对于疾病治疗和新药开发具有重要意义。

衍生相关工作

基于OPI数据集，已经衍生出了一系列相关工作，包括对LLM在蛋白质任务上的性能评估、指令调优方法的改进，以及结合其他生物信息学数据源的综合分析。这些工作进一步扩展了OPI数据集的应用范围，并推动了相关领域的研究进展。