ICML2022/ProteinGym|生物信息学数据集|蛋白质工程数据集

ProteinGym是一个广泛的深度突变扫描（DMS）实验集合，用于比较不同机制下的突变效应预测器。它包含两个基准测试：1）替换基准测试，包含87个DMS实验中的约150万个错义变体的实验表征；2）插入/删除基准测试，包含7个DMS实验中的约30万个突变体。每个基准测试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相关信息。

原始信息汇总

ProteinGym 数据集概述

数据集组成

ProteinGym 包含两个基准：

1. 替换基准：包含约1.5M错义变异体的实验特征，涵盖87个DMS测定。
2. 插入缺失基准：包含约300k变异体，涵盖7个DMS测定。

数据集文件内容

每个处理过的文件对应一个DMS测定，包含以下三个变量：

1. mutant (字符串):
   • 替换基准：描述应用于参考序列的替换集合以获得变异序列。
   • 插入缺失基准：对应完整的变异序列。
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，变异蛋白的适应性越高。
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

提供两个参考文件：

• ProteinGym_reference_file_substitutions.csv
• ProteinGym_reference_file_indels.csv

这些文件包含每个测定的详细信息，包括：

• UniProt_ID、分类和MSA深度类别
• 测定中使用的目标序列（target_seq）
• DMS_score从原始文件创建及二值化的详细信息

AI搜集汇总

数据集介绍

构建方式

ProteinGym数据集通过精心策划的深度突变扫描（DMS）实验构建，旨在为不同突变效应预测器提供全面的比较基准。该数据集包含两个主要基准：一是替代基准，涵盖了87个DMS实验中约150万个错义突变体；二是插入缺失基准，包含7个DMS实验中约30万个突变体。每个处理文件对应一个DMS实验，包含突变体描述、DMS得分及其二值化结果。此外，还提供了参考文件，详细记录了每个实验的蛋白质UniProt ID、分类信息、目标序列以及DMS得分的生成和二值化方法。

特点

ProteinGym数据集的显著特点在于其大规模和多样性，涵盖了广泛的蛋白质突变实验，为突变效应预测提供了丰富的数据支持。数据集中的每个突变体都经过实验验证，具有明确的DMS得分，能够准确反映突变对蛋白质适应性的影响。此外，数据集的结构化设计使得不同实验之间的比较和分析变得简便，为研究者提供了强大的工具来评估和改进突变效应预测模型。

使用方法

ProteinGym数据集适用于开发和验证蛋白质突变效应预测模型。研究者可以通过加载数据集中的处理文件，获取突变体信息、DMS得分及其二值化结果，进行模型训练和测试。参考文件提供了实验的详细背景信息，有助于理解数据集的构建过程和实验条件。通过结合这些数据，研究者可以构建和优化突变效应预测模型，进而应用于蛋白质工程和药物设计等领域。

背景与挑战

背景概述

ProteinGym数据集由Notin等人于2022年创建，旨在通过大规模的深度突变扫描（DMS）实验，提供一个全面的突变效应预测基准。该数据集包含两个主要部分：替换基准和插入缺失基准，分别涵盖了约150万个错义突变和30万个插入缺失突变。这些数据来自87个和7个DMS实验，每个实验都详细记录了突变序列及其对应的DMS评分，用于评估蛋白质的适应性。ProteinGym的发布为蛋白质工程和生物信息学领域提供了一个重要的资源，推动了对蛋白质突变效应预测模型的深入研究。

当前挑战

ProteinGym数据集在构建过程中面临多项挑战。首先，处理和整合来自多个DMS实验的庞大数据量，确保数据的准确性和一致性是一个复杂的过程。其次，如何有效地将实验测量的DMS评分转化为可用于模型训练的二元适应性评分，也是一个技术难题。此外，由于蛋白质突变效应的复杂性和多样性，开发能够准确预测这些效应的模型仍然是一个开放的研究问题。这些挑战不仅涉及数据处理和模型开发，还包括如何确保模型的泛化能力和在不同实验条件下的稳定性。

常用场景

经典使用场景

ProteinGym数据集在蛋白质突变效应预测领域具有经典应用场景。该数据集通过提供大规模的深度突变扫描（DMS）实验数据，支持研究人员对蛋白质突变的影响进行精确预测。其替换基准（substitution benchmark）和插入缺失基准（indel benchmark）分别涵盖了约150万错义突变和30万插入缺失突变，为开发和验证突变效应预测模型提供了丰富的实验数据。

实际应用

在实际应用中，ProteinGym数据集为蛋白质工程和药物设计提供了重要支持。通过预测突变对蛋白质功能的影响，研究人员可以优化蛋白质的稳定性和活性，从而加速新药的开发过程。此外，该数据集还可用于评估基因编辑技术的安全性，帮助识别潜在的有害突变，为精准医疗和个性化治疗提供数据基础。

衍生相关工作

ProteinGym数据集的发布催生了一系列相关研究工作。例如，基于该数据集的突变效应预测模型如Tranception，利用自回归变换器和推理时检索技术，显著提升了预测精度。此外，该数据集还激发了对蛋白质突变网络和进化动力学的深入研究，推动了蛋白质设计和功能预测领域的技术进步。