suke-sho/athaliana-genome-corpus

该数据集包含来自NCBI的模型植物基因组数据，经过处理和清洗，适用于研究和预训练。默认配置为6kbp，提供6.2kbp的DNA片段，每侧有100bp的重叠。序列仅包含字母A、T、C、G和N，确保高质量基因组数据，适用于各种生物信息学和机器学习应用。

原始信息汇总

数据集概述

数据集名称

Arabidopsis Genome Corpus

数据集描述

该数据集包含由NCBI提供的模式植物基因组，专门为研究和预训练目的进行处理和清洗。默认配置“6kbp”提供6.2kbp大小的DNA片段，每侧有100bp的交叠。序列经过清洗和处理，仅包含字母A、T、C、G和N，确保高质量的基因组数据，适用于各种生物信息学和机器学习应用。

数据集详情

• 主页：NCBI
• 许可证：NCBI政策
• 版本：1.1.0
• 大小：根据配置变化
• 默认配置：6kbp片段

数据集用途示例

python from datasets import load_dataset

默认片段大小为6000

chunk_length = 1024 repo = "suke-sho/arabidopsis_genome_corpus" datasets = load_dataset(repo, trust_remote_code=True, chunk_length=chunk_length)

致谢

本数据集是“InstaDeepAI/plant-multi-species-genomes”数据集及脚本的改编版本。特别感谢InstaDeepAI提供的原始工作。