biomap-research/fold_prediction

该数据集包含两个主要特征：seq（字符串类型）和label（int64类型）。数据集被分为训练集、验证集和测试集，分别包含12312、736和3244个样本。训练集、验证集和测试集的文件大小分别为2206313字节、133220字节和585149字节。数据集的下载大小为2886534字节，总大小为2924682字节。数据文件的路径分别为：训练集（data/train-*）、验证集（data/valid-*）和测试集（data/test-*）。

The dataset contains two main features: seq (string type) and label (int64 type). The dataset is divided into training, validation, and test sets, containing 12312, 736, and 3244 samples respectively. The file sizes for the training, validation, and test sets are 2206313 bytes, 133220 bytes, and 585149 bytes respectively. The download size of the dataset is 2886534 bytes, and the total size is 2924682 bytes. The paths for the data files are: training set (data/train-*), validation set (data/valid-*), and test set (data/test-*).

原始信息汇总

数据集概述

数据特征

• seq: 类型为字符串（string）
• label: 类型为整数（int64）

数据划分

• train: 包含12312个样本，占用2206313字节
• valid: 包含736个样本，占用133220字节
• test: 包含3244个样本，占用585149字节

数据集大小

• 下载大小: 2886534字节
• 数据集总大小: 2924682字节

配置信息

• config_name: default
  • train: 数据路径为data/train-*
  • valid: 数据路径为data/valid-*
  • test: 数据路径为data/test-*

搜集汇总

数据集介绍

构建方式

该数据集基于SCOP 1.75数据库（2009年发布）构建，旨在将蛋白质序列分类至1,195种已知折叠类别中。数据集的构建过程涉及从SCOP数据库中提取蛋白质序列及其对应的折叠标签，经过标准化处理形成统一的格式。每个样本由一条蛋白质序列字符串（seq）和一个整数标签（label）组成，标签代表该序列所属的特定折叠类别。数据集被划分为训练集（12,312条）、验证集（736条）和测试集（3,244条），确保模型训练与评估的独立性。

特点

该数据集的核心特点在于其专注于蛋白质折叠预测任务，涵盖1,195种折叠类别，为远程同源蛋白的识别提供了关键资源。序列平均长度为168个氨基酸残基，反映了真实蛋白质的多样性。数据集规模适中（总计约16,292条），适用于中等规模的深度学习模型训练。其标签体系直接关联结构生物学中的折叠分类，有助于探索蛋白质折叠模式与功能之间的关系，尤其在抗生素耐药基因和工业酶等新兴领域具有重要应用价值。

使用方法

该数据集适用于文本分类任务，用户可通过HuggingFace的datasets库轻松加载。使用前需安装datasets库，然后调用load_dataset('biomap-research/fold_prediction')即可获取包含train、valid和test三个分区的数据集。每个样本包含seq（字符串）和label（整数）两个字段，可直接用于训练序列分类模型。建议将序列进行编码（如使用氨基酸嵌入）后输入分类器，评估指标可参考准确率或F1分数。数据集采用Apache-2.0许可证，允许自由使用和修改。

背景与挑战

背景概述

蛋白质折叠预测是计算生物学与结构基因组学中的核心议题，其目标在于将氨基酸序列精准映射至已知的折叠类别中，从而揭示蛋白质的空间构象与功能联系。由biomap-research团队构建的Fold Prediction数据集，基于SCOP 1.75数据库（2009年发布），汇集了1195种已知折叠类别，包含逾16000条序列样本，旨在推动远程同源蛋白的识别研究。该数据集于2024年伴随xTrimoPGLM模型相关工作公开，聚焦于抗生素耐药基因与工业酶等关键蛋白的远程同源性挖掘，为蛋白质语言模型的预训练与评估提供了标准化基准。其发布不仅深化了对折叠模式的理解，更在疾病机制探索与生物医学工程领域展现出深远影响。

当前挑战

该数据集面临的核心挑战在于蛋白质折叠预测任务本身的复杂性：序列间存在显著的进化分歧，导致远程同源蛋白的识别精度受限，传统方法难以捕捉微弱的结构信号。在构建过程中，基于SCOP 1.75的手工注释体系虽具有权威性，但类别分布不均（部分折叠仅有少数代表序列），加剧了模型在小样本类别上的泛化困难。此外，序列长度差异（平均168个氨基酸）与标签噪声（如模糊的折叠边界）对特征提取构成干扰，而跨物种的序列多样性进一步提升了特征对齐的难度。数据规模（约1.6万条）相对于1195类折叠而言仍显稀疏，限制了深度模型对复杂结构模式的充分学习。

常用场景

经典使用场景

该数据集专为蛋白质折叠类别预测任务而设计，其核心应用场景在于将给定的蛋白质氨基酸序列自动分类至SCOP 1.75数据库所定义的1195种已知折叠模式之一。这一过程本质上是将一维序列信息映射至三维结构空间，为计算生物学领域提供了一种高效的结构推断途径。研究者通常利用该数据集训练或评估深度学习模型，以捕捉序列与折叠类别之间的复杂关联，从而实现对未知蛋白质功能与结构的初步预测。

衍生相关工作

该数据集衍生了一系列开创性工作，其中最具代表性的是xTrimoPGLM模型，其作为统一百亿参数规模的预训练变换器，在蛋白质语言理解任务上取得了突破。此外，基于该数据集的研究还催生了多种序列到结构的深度学习架构，如融合注意力机制的折叠预测网络，以及结合对比学习策略的远程同源检测方法。这些工作不仅在学术期刊上被广泛引用，也为后续蛋白质结构预测竞赛提供了重要基准，促进了整个领域从传统特征工程向端到端学习的范式转变。

数据集最近研究

最新研究方向

在蛋白质结构预测领域，fold_prediction数据集正成为探索蛋白质折叠模式与远程同源性识别的前沿工具。该数据集基于SCOP 1.75分类体系，涵盖1195种已知折叠类型，为深度学习模型提供了序列到折叠标签的映射基准。当前研究聚焦于利用大规模预训练语言模型（如xTrimoPGLM）处理蛋白质序列的语义特征，以突破传统序列比对方法的局限性。该数据集在抗生素耐药基因检测、工业酶功能挖掘等热点方向展现出关键作用，其应用推动了结构生物学与蛋白质组学的交叉创新，为疾病机制解析和生物催化设计提供了数据驱动的全新范式。