GreatCaptainNemo/instruction_dataset

该数据集是为ProLLaMA模型设计的，包含两个任务：通过超家族生成蛋白质和预测蛋白质的超家族。数据集的总样本数约为1200万，其中10%用于测试，90%用于训练，且通过scikit-learn随机分割。蛋白质序列来源于UniRef50，超家族信息来源于InterPro。使用数据集前需要遵循UniProt和InterPro的相关许可证。

原始信息汇总

数据集概述

数据集名称

ProLLaMA 指令数据集

数据集用途

用于ProLLaMA模型，包含两个任务：

1. 通过超家族生成蛋白质
2. 预测蛋白质的超家族

数据集规模

• 总样本数约1200万
• 训练集占比90%
• 测试集占比10%

数据来源

• 蛋白质序列来源：UniRef50
• 超家族信息来源：InterPro

许可证

CC-BY-4.0

引用信息

若使用本数据集，请引用以下论文：

@article{lv2024prollama, title={ProLLaMA: A Protein Large Language Model for Multi-Task Protein Language Processing}, author={Lv, Liuzhenghao and Lin, Zongying and Li, Hao and Liu, Yuyang and Cui, Jiaxi and Chen, Calvin Yu-Chian and Yuan, Li and Tian, Yonghong}, journal={arXiv preprint arXiv:2402.16445}, year={2024} }