AmelieSchreiber/family_split_protein_binding_sites

这是一个包含209,571个来自UniProt的蛋白质序列的训练/测试划分数据集，这些序列带有活性位点和结合位点的标签。所有蛋白质序列（以及相应的结合位点标签）被分割成1000或更少的部分，分割后的序列在Entry列标签中通过`_partN`后缀表示。数据集在分割前按照85/15的比例进行训练/测试划分，蛋白质按家族降序排列，序列较多的家族排在前面。此外，训练/测试划分确保家族之间没有重叠，测试数据集由最大的家族组成。

原始信息汇总

UniProt Segmented Binding/Active Sites

概述

• 任务类别: 词性标注
• 语言: 英语
• 标签: 蛋白质
• 数据集名称: UniProt Segmented Binding/Active Sites
• 数据集大小: 100K<n<1M

详细描述

• 数据来源: UniProt
• 序列数量: 209,571个蛋白质序列
• 标签类型: 活性位点和结合位点标签
• 序列分割: 所有蛋白质序列及其相应的结合位点标签被分割成不超过1000个碱基的片段，片段在Entry列标签中通过_partN后缀表示
• 数据分割: 训练集和测试集的比例约为85/15，分割前进行
• 排序方式: 蛋白质按家族降序排列，序列较多的家族排在前面
• 测试集选择: 测试集包含最大的家族，且训练集和测试集的家族不重叠