cradle-bio/FLIP_clusters

Full FLIP stability数据集基于meltome atlas，包含六个列：index, seq_id, sequence, target, cluster_center, cluster_distance。index是原始数据集中的索引，seq_id是一个唯一的序列ID字符串，由多个其他ID拼接而成，sequence是蛋白质序列字符串，target是蛋白质的熔点温度TM，cluster_center是该序列所属的聚类中心蛋白质的seq_id，cluster_distance是该蛋白质与其聚类中心的Levenshtein距离。The Full FLIP stability dataset is based on the meltome atlas. It comprises six columns: index, seq_id, sequence, target, cluster_center, and cluster_distance. 1. index: the index within the original dataset; 2. seq_id: a unique sequence ID string formed by concatenating multiple other IDs; 3. sequence: a protein sequence string; 4. target: the protein melting temperature TM; 5. cluster_center: the seq_id of the cluster center protein to which this sequence belongs; 6. cluster_distance: the Levenshtein distance between this protein and its cluster center.

原始信息汇总

Full FLIP stability dataset 概述

数据集结构

• Index: 原始数据集的索引。
• Seq_id: 唯一序列ID，由几个其他ID（包括Unirep）连接而成。
• Sequence: 实际的蛋白质序列，以字符串形式表示。
• Target: 蛋白质的熔点温度（TM）。
• Cluster center: 该序列所属集群中心的seq_id，如果该序列是中心，则为其自身的seq_id。
• Cluster distance: 该蛋白质与其集群中心之间的Levenstein距离。

搜集汇总

数据集介绍

构建方式

该数据集源自FLIP项目中的稳定性数据集，其基础为Meltome Atlas蛋白质组学资源。构建过程中，研究人员从原始数据中提取了蛋白质序列及其对应的熔解温度（TM）作为目标变量。为刻画序列间的功能与结构相似性，数据集通过Levenshtein距离度量每条序列与其所属簇中心序列的差异，并据此将序列划分为不同的簇。簇中心由特定的seq_id标识，而每条序列均被分配至距离最近的簇中心，从而形成了层次化的聚类结构。最终，数据集以表格形式呈现，包含索引、序列标识符、蛋白质序列、熔解温度、簇中心标识及簇距离等关键字段。

特点

该数据集的核心特点在于其融合了蛋白质热稳定性实验数据与基于序列相似性的聚类信息。熔解温度作为连续型目标值，为蛋白质稳定性预测提供了直接的定量基准。同时，通过引入簇中心与簇距离两个维度，数据集不仅记录了序列的原始信息，还揭示了序列在功能空间中的分布模式。这种设计使得研究者能够同时利用序列特征和聚类结构进行建模，从而捕捉同簇内序列的共性与异质性。此外，数据集规模较大且来源可靠，适用于监督学习与聚类分析等多种任务。

使用方法

使用该数据集时，用户可直接加载表格中的序列与目标列，构建序列到熔解温度的回归模型。对于聚类感知任务，可结合簇中心标识与簇距离作为辅助特征或正则化约束，提升模型对序列相似性的泛化能力。建议采用氨基酸嵌入或预训练蛋白质语言模型对序列进行编码，并利用交叉验证评估聚类结构对预测性能的影响。此外，簇距离信息可用于分析序列变异对热稳定性的扰动效应，或作为数据增强策略中的相似性权重。数据集以标准CSV格式提供，便于与常见机器学习框架无缝集成。

背景与挑战

背景概述

蛋白质热稳定性是生物化学与蛋白质工程领域的核心研究主题之一，直接影响蛋白质在工业催化、药物设计及合成生物学中的应用效能。cradle-bio/FLIP_clusters数据集诞生于2022年，由瑞士苏黎世联邦理工学院（ETH Zurich）的研究团队主导构建，基于Meltome Atlas蛋白质组热稳定性图谱数据，聚焦于蛋白质熔解温度（Tm）的预测任务。该数据集通过整合来自多个物种的蛋白质序列及其对应的实验测定热稳定性指标，为机器学习模型提供了大规模、标准化的训练基准。其核心研究问题在于探索序列特征与热稳定性之间的深层关联，推动从序列到功能的精准预测。FLIP_clusters数据集的发布显著推动了蛋白质稳定性预测领域的发展，成为评估和比较不同深度学习架构（如Transformer、图神经网络）性能的重要标准，尤其在蛋白质工程与定向进化研究中产生了广泛影响。

当前挑战

当前FLIP_clusters数据集面临的核心挑战包括三个方面。首先，在领域问题层面，蛋白质热稳定性预测本质上受限于序列-稳定性映射的非线性与噪声干扰，实验测定的Tm值受pH、离子强度等环境因素影响，导致标签存在固有不确定性，模型难以学习到普适性规律。其次，数据构建过程中，序列聚类采用Levenshtein距离划分簇中心与簇成员，但该距离度量对蛋白质序列的进化保守性及结构信息不敏感，可能引入冗余或偏差，影响聚类质量。此外，数据集仅包含单一热稳定性指标，缺乏多维度理化性质（如溶解性、聚集倾向）的联合标注，限制了模型对蛋白质复杂稳定化机制的全面建模能力。这些挑战共同制约了预测模型在实际蛋白质工程应用中的泛化性与鲁棒性。

常用场景

经典使用场景

在蛋白质工程与计算生物学领域，cradle-bio/FLIP_clusters数据集凭借其基于Meltome图谱构建的稳定性数据，成为评估蛋白质热稳定性预测模型性能的黄金基准。研究者通常利用该数据集的序列、目标熔解温度（TM）以及聚类距离等特征，训练深度学习或传统机器学习模型，以精准预测蛋白质在不同温度下的构象稳定性。该场景下，数据集的聚类中心与Levenshtein距离信息尤为关键，为模型提供了序列多样性控制与泛化能力验证的天然划分依据。

实际应用

在实际应用中，该数据集驱动的预测模型广泛服务于工业酶制剂的设计与优化。例如，生物技术企业可利用模型筛选耐高温突变体，以提升催化反应效率或延长酶制剂在苛刻工艺条件下的使用寿命。此外，在合成生物学与抗体工程中，基于该数据集训练的算法能够辅助研究人员快速评估候选蛋白在高温发酵或储存过程中的稳定性风险，显著降低实验试错成本，加速从序列设计到功能验证的研发周期。

衍生相关工作

围绕该数据集衍生出一系列经典工作，包括引入图神经网络（GNN）捕捉序列局部与全局结构依赖性的预测框架，以及将聚类信息融入对比学习预训练策略以提升小样本泛化能力的方法。此外，有研究利用该数据集的聚类划分构建了多任务学习范式，同时预测熔解温度与结构稳定性指标，揭示了序列空间与热力学性质之间的深层映射关系。这些工作不仅丰富了蛋白质稳定性建模的理论体系，也为后续开发更高效的蛋白质设计算法奠定了方法论基础。