dotan1111/MSA-amino-4-seq

该数据集包含使用SpartaABC生成的数百万个真实对齐的序列，用于训练、验证和测试BetaAlign方法。数据集包括蛋白质和DNA的多序列对齐（MSA），每个数据集包含十个序列。生成这些数据集时，使用了随机生成的系统发育树、替换模型、根序列长度和插入/删除模型参数。蛋白质数据集使用WAG+G模型生成，DNA数据集使用GTR+G模型生成。

原始信息汇总

多序列比对作为序列到序列学习问题

数据集概述

数据生成

• 使用SpartaABC生成数百万个真实比对。
• 输入参数包括：
  1. 有根的系统发育树，包括拓扑结构和分支长度。
  2. 替换模型（氨基酸或核苷酸）。
  3. 根序列长度。
  4. 插入和删除模型参数，包括插入率（R_I）、删除率（R_D）、插入Zipfian分布参数（A_I）和删除Zipfian分布参数（A_D）。
• 系统发育树拓扑结构使用ETE 3.0程序生成，默认参数。

数据集组成

• 生成了1,495,000个蛋白质多序列比对（MSA）用于训练，2,000个用于验证，3,000个用于测试。
• 生成了相同数量的DNA MSA。
• 分支长度从均匀分布*(0.5,1.0)*中抽取。
• 序列生成使用SpartaABC，参数为R_I,R_D in (0.0,0.05)，A_I, A_D in (1.01,2.0)。
• 根序列长度从均匀分布*[32,44]*中抽取。
• 蛋白质数据集使用WAG+G模型生成，DNA数据集使用GTR+G模型生成。

示例

• 示例数据： json {"MSA": "AAAC-GGG", "unaligned_seqs": {"seq0": "AAG", "seq1": "ACGG"}}