biomap-research/optimal_temperature

该数据集包含序列数据和对应的标签，主要用于训练和测试模型。数据集分为训练集和测试集，训练集包含1706个样本，测试集包含190个样本。数据集的总下载大小为901099字节，总数据集大小为907877字节。数据文件路径分别为data/train-*和data/test-*。

This dataset contains sequence data and corresponding labels, primarily used for training and testing models. The dataset is divided into a training set and a test set, with the training set containing 1706 samples and the test set containing 190 samples. The total download size of the dataset is 901099 bytes, and the total dataset size is 907877 bytes. The data file paths are data/train-* and data/test-* respectively.

原始信息汇总

数据集概述

数据特征

• seq: 字符串类型
• label: 浮点数类型

数据分割

• train:
  • 字节数: 815082
  • 样本数: 1706
• test:
  • 字节数: 92795
  • 样本数: 190

数据集大小

• 下载大小: 901099 字节
• 数据集总大小: 907877 字节

配置

• default:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

搜集汇总

数据集介绍

构建方式

在酶工程与蛋白质设计的广阔领域中，催化活性的温度依赖性一直是核心研究议题。为精准预测酶的最适催化温度，biomap-research/optimal_temperature数据集应运而生。该数据集主要源自DeepET这一前沿深度学习框架，该框架专攻酶热适应性解析，通过整合大规模蛋白质序列与对应最适温度数据，构建了高质量的训练与评估基准。数据集中每个样本包含一条蛋白质氨基酸序列（seq）及其对应的最适催化温度浮点值（label），共计1896个实例，其中训练集1706条、测试集190条，形成了均衡且具备统计意义的数据划分。

特点

该数据集的核心特点在于其简洁而明确的双字段结构，直接服务于回归预测任务。每条数据由字符串类型的蛋白质序列与浮点型的温度标签组成，序列平均长度为467个氨基酸，标签均值约为50.0°C，反映出天然酶在中温范围内的普遍适应性。数据集规模虽小（1K-10K级别），但经过DeepET方法的严格筛选与标准化，确保了序列-温度对应关系的科学可靠性。此外，Apache-2.0许可证的开放授权为学术研究与工业应用提供了便利。

使用方法

在应用层面，该数据集专为文本分类任务类别设计，实际执行的是基于序列的回归分析。使用者可通过HuggingFace Datasets库直接加载，利用train和test两个预划分的split进行模型训练与性能评估。典型用法是将seq字段输入蛋白质语言模型（如xTrimoPGLM）进行特征提取，再通过回归头预测连续的温度值。数据集以parquet格式存储，支持高效的批量读取与分布式训练，适合构建酶工程中温度适应性预测的基准模型。

背景与挑战

背景概述

在工业酶设计与蛋白质工程领域，准确预测酶催化活性的最适温度是优化生物催化过程的关键环节。由 biomap-research 团队创建的 optimal_temperature 数据集，基于 DeepET 方法（2023年发表于《Protein Science》），旨在解决酶热适应性预测这一核心研究问题。该数据集包含1706条训练样本与190条测试样本，每条数据由蛋白质氨基酸序列（seq）及其对应的最适催化温度（label）组成，数据规模虽小但聚焦明确。其发布依托于 Apache-2.0 许可，并常与 xTrimoPGLM 等大规模蛋白质语言模型协同使用，为从序列信息中推断酶的热稳定性参数提供了标准化基准，推动了酶工程从实验筛选向计算驱动的范式转变。

当前挑战

该数据集面临多重挑战。首先，所解决的领域问题在于：酶的最适温度受序列、结构及环境因素复杂交织影响，传统实验测定耗时且通量低，而现有计算方法（如基于同源性的预测）在序列多样性不足时泛化能力有限。其次，构建过程中的挑战包括：数据来源 DeepET 虽整合了公共数据库，但样本量仅约1900条，难以覆盖酶家族的全部多样性；标签（最适温度）的测量可能因实验条件差异（如pH、离子强度）引入噪声；序列长度均值达467个氨基酸，长序列的局部功能域与全局热稳定性间的关联建模对机器学习模型提出更高要求。

常用场景

经典使用场景

该数据集的核心应用在于构建与评估预测酶最适催化温度的机器学习模型。通过将蛋白质序列（seq）作为输入特征，模型学习序列与最适温度（label）之间的复杂映射关系，从而实现对未知酶热适应性的定量预测。这一经典场景通常采用回归任务框架，研究者可利用该数据集训练深度学习或传统机器学习算法，例如基于Transformer架构的蛋白质语言模型，以捕捉序列中蕴含的理化性质与热稳定性信号。

解决学术问题

该数据集旨在解决酶工程与计算生物学领域的关键学术问题：如何从蛋白质一级序列出发，精准预测其催化反应的最适温度。传统实验方法耗时费力，难以大规模表征酶的热适应特性。该数据集的建立为开发数据驱动的预测模型提供了标准化基准，推动了酶热稳定性机制的理论研究，并深化了对蛋白质序列-功能关系的理解，对进化生物学和蛋白质设计理论具有重要学术价值。

衍生相关工作

该数据集衍生了多项经典工作，其中最突出的是基于深度学习的酶热适应性预测研究，如DeepET方法。此外，该数据集被用于预训练蛋白质语言模型（如xTrimoPGLM）的微调与评估，验证大规模模型在酶学属性预测上的泛化能力。后续工作还探索了迁移学习、多任务学习等范式，将最优温度预测与酶活性、稳定性等属性联合建模，推动了蛋白质功能预测领域的协同发展。