damlab/HIV_V3_bodysite

该数据集源自Los Alamos国家实验室的HIV序列数据库，包含5,510个独特的V3序列，每个序列都标注了其相关的身体部位。数据集结构部分详细说明了数据实例的组成，包括每个V3环的蛋白质氨基酸序列，以及用于未来交叉参考的Genbank参考ID。数据集创建部分提到了数据集的下载和整理日期。使用数据的考虑部分讨论了数据集的社会影响和存在的偏见，如数据集主要包含来自北美和欧洲的B亚型序列，且对非B亚型序列的表现未进行平衡处理。

原始信息汇总

数据集概述

数据集总结

本数据集源自Los Alamos National Laboratory HIV序列（LANL）数据库，包含5,510个独特的V3序列，每个序列均标注了与之相关的身体部位。该数据集不支持特定任务或排行榜。

数据集结构

数据实例

• 列描述：每列代表HIV V3环的蛋白质氨基酸序列。
• ID字段：表示Genbank参考ID，用于未来交叉引用。
• 序列总数：共2,935个V3序列，其中91%为CCR5趋向性，23%为CXCR4趋向性。
• 数据字段：ID, 序列, 折叠, 外周T细胞, 外周单核细胞, 中枢神经系统, 肺, 母乳, 胃, 男性生殖器, 女性生殖器, 脐带, 器官。

数据创建

• 数据收集与规范化：数据集于2021年12月20日下载并整理。

使用数据集的考虑

• 社会影响：可用于研究HIV V3环如何允许研究HIV的隔室化机制。
• 偏见讨论：由于数据库的采样性质，主要由北美和欧洲的B亚型序列组成，C、A和D亚型的贡献较小。目前未采取措施平衡这些类别的性能，建议使用额外序列进行改进，以提高非B序列的表现。此外，该数据集高度偏向于外周T细胞。

附加信息

• 数据集整理者：Will Dampier
• 引用信息：待定