scycdb-lake-positive-min50-20261029

# Lake NR95 硫循环蛋白预测结果（保留长度 >=50 aa） 本数据集包含模型预测阳性蛋白的序列、家族/通路注释，以及模型与 Diamond、KofamScan 的集合比较。 长度按清理末尾 `*` 后的完整氨基酸序列计算，**50 aa 保留**，不是模型截断后的输入长度。 整理日期：2026-10-29。未重新推理，也未改变模型的最终阳性判定。 ## 目录结构 ```text README.md comparison_min50/ # 三种方法的 ID 集合、交集及统计 positive_sequences_min50/ # 最终模型阳性蛋白的完整 FASTA positive_annotations_min50/ # 同一批阳性蛋白的家族和通路注释 ``` 设 `M` 为模型最终预测阳性，`D` 为 Diamond 阳性，`K` 为 KofamScan 阳性；下面的集合均限制在 **>=50 aa** 的蛋白中。 原始 NR95 共 284,092,708 条，长度过滤后全库为 **253,083,293 条**。 `M`、对应 FASTA 和对应注释表的蛋白 ID 集合完全一致，均为 **5,462,047 条**。 ## 1. comparison_min50：ID 集合与方法比较 `.id.gz` 为 gzip 压缩文本，每行一个唯一蛋白 ID，无表头，按 ID 排序。 这些文件只有 ID，不含氨基酸序列。 | 文件 | 蛋白 ID 数 | 含义 | | --- | ---: | --- | | `model_positive.id.gz` | 5,462,047 | 全部模型阳性：M | | `model_only.id.gz` | 2,934,899 | 仅模型支持：M - (D ∪ K) | | `model_diamond_only.id.gz` | 1,854,164 | 模型与 Diamond 支持、Kofam 不支持：(M ∩ D) - K | | `model_kofam_only.id.gz` | 134,963 | 模型与 Kofam 支持、Diamond 不支持：(M ∩ K) - D | | `model_diamond_kofam_common.id.gz` | 538,021 | 三种方法均支持：M ∩ D ∩ K | | `diamond_only.id.gz` | 5,003,476 | 仅 Diamond 支持：D - (M ∪ K) | | `kofam_only.id.gz` | 5,030,730 | 仅 Kofam 支持：K - (M ∪ D) | | `diamond_kofam_only.id.gz` | 1,634,599 | Diamond 与 Kofam 支持、模型不支持：(D ∩ K) - M | | `comparison_union_min50.id.gz` | 17,130,852 | 至少一种方法支持的去重并集：M ∪ D ∪ K | `model_positive.id.gz` 是四个含 M 的互斥区域的合计，不能再与这四项相加。 `comparison_union_min50.id.gz` 是七个互斥区域的合计，不是全库 >=50 aa 蛋白。 长度过滤后的 D 为 9,030,260 条，K 为 7,338,313 条，D ∩ K 为 2,172,620 条。 | 其他文件 | 行数或覆盖范围 | 含义 | | --- | --- | --- | | `three_method_counts.tsv` | 48 条统计行，不含表头 | 6 种模型阈值策略 × 8 个互斥区域的数量和占全库比例；不是逐蛋白文件 | | `score_distribution_by_reference.tsv` | 400 条统计行，不含表头 | 4 种 D/K 支持状态 × 100 个模型分数区间；不是逐蛋白文件 | | `summary.json` | 覆盖 253,083,293 条保留蛋白 | 汇总、集合数量、源数据身份及文件校验和 | | `validation.json` | 校验报告，无独立序列 | ID 数量回读、校验和及统计一致性检查 | | `README.md` | 说明文档，无独立序列 | 本目录的详细说明 | `three_method_counts.tsv` 字段：`policy`（阈值策略）、`threshold`（统一阈值；部署策略时为空）、 `bits`（M=4、K=2、D=1 的位编码）、`category`（区域名称）、`count`（蛋白数）、 `fraction_nr95`（占过滤后全库 253,083,293 条的比例）。 6 种策略为部署阈值及统一阈值 0.5、0.7、0.8、0.9、0.95，不能跨策略累加。 `score_distribution_by_reference.tsv` 字段：`reference_bits`（K=2、D=1 的位编码）、 `diamond`、`kofam`（0/1 支持标志）、`score_lo`、`score_hi`（分数区间）、`count`（蛋白数）。 分数区间左闭右开，最后一档包含 1.0。 ## 2. positive_sequences_min50：模型阳性蛋白序列 | 文件 | 蛋白数或含义 | | --- | --- | | `model_positive.faa` | **5,462,047 条**，50-3,940 aa；未压缩文件为 1,354,514,105 字节 | | `summary.json` | 上述蛋白的数量、长度分布、来源和 SHA-256；不是额外序列 | | `validation.json` | 完整 FASTA 回读、ID 一致性及校验和；不是额外序列 | | `README.md` | 详细说明，无独立序列 | FASTA 每条蛋白两行：`>protein_id` 和完整氨基酸序列。ID 为原始 FASTA 标题的第一个词。 保持原 FASTA 顺序，不截短蛋白；去除序列空白、转换大写并去掉末尾 `*`，其他字母的规范化与推理一致。 ## 3. positive_annotations_min50：模型阳性的家族和通路注释 | 文件 | 蛋白数或含义 | | --- | --- | | `model_positive_family_pathway.tsv.gz` | **5,462,047 条数据行**，另有一行表头，与 FASTA/阳性 ID 名单严格对应 | | `summary.json` | 上述蛋白的家族/通路数量、来源和 SHA-256；不是额外序列 | | `validation.json` | TSV/GZIP 回读、长度检查及 ID 一致性；不是额外序列 | | `README.md` | 详细说明，无独立序列 | | 字段 | 含义 | | --- | --- | | `protein_id` | 蛋白 ID；用它连接 ID 名单、FASTA 和注释，不要按行号连接 | | `length` | 完整清理后序列长度，单位 aa | | `family_id` | 预测最高概率家族的索引，从 0 开始，对应模型的 114 类家族词表 | | `family_name` | 家族名称 | | `pathway_ids` | `pathway_corrected >= 0.5` 的通路索引，从 0 开始，多个值用 `|` 分隔 | | `pathway_names` | 与通路 ID 依次对应的名称，多个值用 `|` 分隔 | 有 **285,189 条**模型阳性蛋白没有通路达到阈值，两列通路字段均留空，不强制补入最高分通路。 通路是多标签，通路计数之和不一定等于蛋白总数。 ## 判定与使用注意 目录内的隐藏 `.lock` 文件只是运行锁，不包含序列，不上传到数据仓库。 模型阳性沿用原推理的部署阈值：1-128 aa 约为 **0.94**，更长序列约为 **0.545**；不是统一按 0.5 重新筛选。 精确阈值和来源记录见各目录 `summary.json`。这是原 NR95 推理结果的长度过滤版本，不含模型权重或完整全库分数。 Diamond/KofamScan 是方法对照，不是真实标签；方法一致性不等于准确率、召回率或实验验证。 模型阳性与家族/通路注释均为计算预测，不能直接视为已验证硫循环功能。公开共享前应确认原始序列的再分发权限；本说明不新增数据授权。