ICML2022/ProteinGym

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。

ProteinGym is a comprehensive collection of deep mutational scanning (DMS) experiments intended for comparing mutation effect predictors across different mechanistic contexts. It includes two benchmark datasets: 1) the substitution benchmark, which covers experimental characterization of approximately 1.5 million missense variants across 87 DMS experiments; 2) the indel benchmark, which contains roughly 300,000 mutants from 7 DMS experiments. For each benchmark, the processing files correspond to one individual DMS experiment and encompass three variables: mutant, DMS_score, and DMS_score_bin. Furthermore, two reference files are provided to further elaborate on the relevant information associated with each experiment.

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

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。