DeepFoldProtein/foldseek_over70_ss_proteome_processed_1024_ankh_test

---
dataset_info:
features:
- name: uniprot_accession
dtype: string
- name: chain_id
dtype: string
- name: seq
dtype: string
- name: sst3
dtype: string
- name: sst8
dtype: string
- name: len
dtype: int64
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
- name: special_tokens_mask
sequence: int8
- name: label
sequence: int64
splits:
- name: train
num_bytes: 897088
num_examples: 99
download_size: 78108
dataset_size: 897088
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 名称：UniProt登录号（Uniprot Accession），数据类型：字符串
- 名称：链标识符（chain_id），数据类型：字符串
- 名称：序列（seq），数据类型：字符串
- 名称：sst3，数据类型：字符串
- 名称：sst8，数据类型：字符串
- 名称：序列长度（len），数据类型：64位整数
- 名称：输入Token标识符序列（input_ids），元素类型：32位整数
- 名称：注意力掩码（attention_mask），元素类型：8位整数
- 名称：特殊令牌掩码（special_tokens_mask），元素类型：8位整数
- 名称：标签序列（label），元素类型：64位整数
数据集划分：
- 划分名称：训练集（train），占用字节数：897088，样本数量：99
下载大小：78108
数据集总存储大小：897088
配置项：
- 配置名称：默认配置（default），数据文件：
- 对应划分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• uniprot_accession: 数据类型 - 字符串
• chain_id: 数据类型 - 字符串
• seq: 数据类型 - 字符串
• sst3: 数据类型 - 字符串
• sst8: 数据类型 - 字符串
• len: 数据类型 - int64
• input_ids: 数据类型 - 序列 int32
• attention_mask: 数据类型 - 序列 int8
• special_tokens_mask: 数据类型 - 序列 int8
• label: 数据类型 - 序列 int64

数据集分割

• train:
  • 数据大小: 897088 字节
  • 示例数量: 99

数据集大小

• 下载大小: 78108 字节
• 数据集大小: 897088 字节

配置

• config_name: default
  • data_files:
    • split: train
      • path: data/train-*

搜集汇总

数据集介绍

构建方式

DeepFoldProtein/foldseek_over70_ss_proteome_processed_1024_ankh_test数据集是在蛋白质组学与深度学习交叉领域的重要资源，专为蛋白质结构预测与序列建模任务而设计。其构建过程依托于Foldseek算法对蛋白质序列进行结构相似性搜索，筛选出序列一致性超过70%的高置信度蛋白质，并通过二级结构预测工具获取每个残基的三态（sst3）与八态（sst8）二级结构标签。随后，利用Ankh蛋白质语言模型对原始序列进行编码，生成固定长度为1024的输入标识符（input_ids）、注意力掩码（attention_mask）及特殊标记掩码（special_tokens_mask），同时保留UniProt登录号、链标识符及序列长度等元信息，最终形成包含99个训练样本的高质量小规模测试集。

特点

该数据集的核心特点在于其多模态与精细化标注的融合。每条样本不仅包含原始氨基酸序列（seq），还提供了三态与八态二级结构标签，为序列-结构联合建模提供了双重视角。通过Ankh模型预处理的输入标识符和注意力掩码，使得数据可直接用于Transformer架构的微调或评估，无需额外编码步骤。此外，数据集严格控制序列一致性高于70%，确保了样本间的结构多样性，同时避免了冗余性。标签字段（label）存储了结构相关的监督信号，便于执行分类或回归任务。尽管样本量仅有99条，但其紧凑的设计与丰富的特征维度（1024）使其成为测试蛋白质语言模型泛化能力的理想基准。

使用方法

使用该数据集时，研究者可通过HuggingFace Datasets库直接加载，默认配置为单一训练分片。加载后，数据以字典形式呈现，包含uniprot_accession、seq、sst3等原始字段，以及input_ids、attention_mask等预计算张量。对于序列建模任务，可直接将input_ids和attention_mask输入至基于Ankh嵌入的模型；若需自定义编码，也可利用原始seq字段配合其他蛋白质分词器。二级结构标签sst3和sst8可用于训练结构预测头，而label字段则适用于下游分类任务。由于数据集规模较小，建议用于快速验证模型假设或作为集成测试的校准集，在评估时需注意避免因样本数量有限导致的统计偏差。

背景与挑战

背景概述

蛋白质结构预测与功能注释是计算生物学领域的核心议题，其进展高度依赖于高质量序列与结构数据的积累。DeepFoldProtein/foldseek_over70_ss_proteome_processed_1024_ankh_test数据集由DeepFoldProtein团队构建，旨在为蛋白质二级结构预测提供经过标准化处理的测试样本。该数据集整合了UniProt数据库中序列长度超过70个氨基酸的蛋白质信息，并采用Foldseek工具进行结构比对与二级结构标注（SST3与SST8格式），同时结合Ankh语言模型对序列进行编码，生成适用于深度学习模型的输入特征。数据集创建于蛋白质结构预测方法快速迭代的时期，其核心研究问题在于如何将大规模蛋白质组学数据转化为可直接用于评估模型泛化能力的标准化基准。通过提供包括UniProt登录号、序列、二级结构标签及预训练模型输入张量在内的丰富字段，该数据集为蛋白质语言模型在结构预测任务上的性能验证提供了重要资源，推动了计算结构生物学领域从序列到功能的映射研究。

当前挑战

该数据集面临的核心挑战首先体现在蛋白质结构预测的领域难题上：蛋白质折叠的复杂性使得从序列准确推断二级结构仍存在瓶颈，尤其对于长序列或低同源性蛋白，现有模型的预测精度受限于训练数据的多样性与标注质量。其次，构建过程中遭遇了多重技术挑战：数据预处理需处理来自不同来源的序列异构性，如UniProt数据库中序列的冗余与片段缺失问题；Foldseek结构比对算法虽高效，但对大规模蛋白质组的处理仍面临计算资源与时间成本的压力；二级结构标注（SST3与SST8）的转换需保持与主流基准（如DSSP）的一致性，而不同标注工具间的偏差可能引入系统性误差。此外，数据集仅包含99个训练样本，规模较小，难以充分覆盖蛋白质结构的多样性，这限制了模型在真实应用场景下的泛化能力，并增加了过拟合与评估偏差的风险。

常用场景

经典使用场景

DeepFoldProtein/foldseek_over70_ss_proteome_processed_1024_ankh_test 数据集聚焦于蛋白质结构预测与序列分析领域，其经典使用场景在于利用Foldseek算法对蛋白质序列进行结构相似性搜索，并结合Ankh嵌入模型处理经过二次结构注释的蛋白质数据。该数据集包含UniProt登录号、链标识符、氨基酸序列、三级与八级二级结构标签（sst3和sst8）以及序列长度等特征，为训练和评估基于深度学习的蛋白质结构预测模型提供了标准化基准。研究者可借助其预处理的input_ids、attention_mask和label字段，开展序列到结构的映射学习，尤其适用于长序列（最长1024个残基）的蛋白质折叠预测任务。

衍生相关工作

该数据集衍生了一系列代表性工作，包括基于Foldseek的蛋白质结构比对算法优化、Ankh嵌入在蛋白质语言模型中的迁移学习研究，以及结合sst3/sst8标签的多任务预测框架。例如，有工作利用该数据集训练了轻量级结构预测模型，实现了在移动设备上的实时蛋白质折叠评估；另有研究将其作为基准，对比不同嵌入方法在低同源性序列上的表现，推动了ESM-2、ProtTrans等蛋白质语言模型的改进。这些衍生产物共同丰富了计算结构生物学的工具库，促进了跨物种蛋白质功能注释的自动化。

数据集最近研究

最新研究方向

基于大规模蛋白质序列与结构预训练模型的进化与功能预测研究正迈向新高度。DeepFoldProtein/foldseek_over70_ss_proteome_processed_1024_ankh_test数据集整合了UniProt编号、链标识、氨基酸序列及三级结构状态（sst3/sst8）等关键信息，并已通过ankh模型完成token化预处理，为蛋白质语言模型提供高质量监督信号。该数据集聚焦于序列-结构共表示学习，当前前沿方向包括利用自监督注意力机制捕捉远程残基相互作用、结合Foldseek结构比对算法提升同源检测精度，以及推动蛋白质设计中的逆向折叠任务。在AlphaFold2引发结构预测革命后，此类数据集成为连接序列空间与结构空间的桥梁，对加速酶工程、药物靶点发现及合成生物学中的理性设计具有深远影响。