yarongef/human_proteome_doublets

该数据集来源于UniProt人类蛋白质组，初始包含20,577个蛋白质序列。通过移除长度小于20个氨基酸或大于512个氨基酸的序列，筛选出12,703个蛋白质。接着使用uShuffle算法对这些蛋白质序列进行随机化处理，同时保持其双联体分布。随后，使用h-CD-HIT算法在三个不同的相似度阈值（0.9、0.5和0.1）下进行过滤，最终得到11,658个序列。

原始信息汇总

数据集描述

数据集来源与处理

• 原始数据包含20,577个人类蛋白质序列，来源于UniProt人类蛋白质组。
• 经过筛选，移除了序列长度小于20或大于512的蛋白质，剩余12,703个蛋白质。
• 使用uShuffle算法对这些蛋白质序列进行随机化处理，同时保持双字母分布不变。
• 对于无法通过uShuffle生成随机版本的序列，进行了移除。
• 应用h-CD-HIT算法，通过三阶段过滤，分别在0.9、0.5和0.1的成对身份截止值下进行，最终得到11,658个序列。

数据集规模

• 初始数据集：20,577个蛋白质序列
• 筛选后数据集：12,703个蛋白质序列
• 最终数据集：11,658个序列

引用信息

• 若使用此数据集，请引用以下文献：

  @article { author = {Geffen, Yaron and Ofran, Yanay and Unger, Ron}, title = {DistilProtBert: A distilled protein language model used to distinguish between real proteins and their randomly shuffled counterparts}, year = {2022}, doi = {10.1093/bioinformatics/btac474}, URL = {https://doi.org/10.1093/bioinformatics/btac474}, journal = {Bioinformatics} }