OATML-Markslab/ProteinGym

ProteinGym数据集是一个广泛的深度突变扫描（DMS）实验集合，用于比较不同突变效应预测器在不同条件下的表现。数据集包含两个基准：1）替换基准，包含87个DMS实验中的约150万个错义变体的实验特征；2）插入/删除基准，包含7个DMS实验中的约30万个突变体。每个基准中的处理文件对应一个DMS实验，并包含三个变量：突变体、DMS_score和DMS_score_bin。此外，还提供了两个参考文件，进一步详细说明了每个实验的细节。

原始信息汇总

数据集概述

ProteinGym 是一个包含深度突变扫描（DMS）测定的综合数据集，旨在比较不同突变效应预测器在不同条件下的表现。该数据集由两个基准组成：

1. 替代基准：包含约1.5M错义变异在87个DMS测定中的实验表征。
2. 插入缺失基准：包含约300k变异在7个DMS测定中的数据。

数据集内容

每个处理过的文件对应一个单独的DMS测定，并包含以下三个变量：

1. mutant (字符串):
   • 对于替代基准，描述了在参考序列上应用的替代集合以获得突变序列。
   • 对于插入缺失基准，对应于完整的突变序列。
2. DMS_score (浮点数): 表示DMS测定中的实验测量值，所有测定中DMS_score值越高，突变蛋白的适应性越高。
3. DMS_score_bin (整数): 指示DMS_score是否高于适应性阈值（1表示适应，0表示不适应）。

参考文件

数据集提供了两个参考文件：

• ProteinGym_reference_file_substitutions.csv
• ProteinGym_reference_file_indels.csv

这些文件提供了每个测定的详细信息，包括：

• 对应的蛋白质的UniProt_ID、分类和MSA深度类别。
• 测定中使用的目标序列（target_seq）。
• DMS_score从原始文件创建和二值化的详细信息。