bloyal/uniref100

---
language: en
license: cc-by-4.0
task_categories:
- fill-mask
pretty_name: UniRef100
dataset_info:
features:
- name: id
dtype: string
- name: text
dtype: string
splits:
- name: train
num_bytes: 146408946868
num_examples: 356800925
download_size: 141620745676
dataset_size: 146408946868
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

# Dataset Card for UniRef100

## Dataset Description

- **Homepage:**
- https://www.uniprot.org/help/uniref

## Dataset Summary

UniRef100 data downloaded on January 24, 2024.

---
语言：英语
许可协议：CC BY 4.0（知识共享署名4.0国际许可协议）
任务类别：
- 掩码填充（fill-mask）
友好名称：UniRef100
数据集信息：
特征字段：
- 字段名：id，数据类型：字符串
- 字段名：text，数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节大小：146408946868，样本数量：356800925
下载总大小：141620745676
数据集存储总大小：146408946868
配置项：
- 配置名称：默认配置（default），数据文件：
- 划分集：训练集（train），文件路径：data/train-*
---

# UniRef100 数据集卡片

## 数据集说明
- **官方主页：** https://www.uniprot.org/help/uniref

## 数据集概述
本UniRef100数据集于2024年1月24日完成下载。

原始信息汇总

数据集卡片 for UniRef100

数据集描述

• 语言: 英语
• 许可证: CC-BY-4.0
• 任务类别: 填空
• 易读名称: UniRef100

数据集信息

特征

• 名称: id
  • 数据类型: 字符串
• 名称: text
  • 数据类型: 字符串

分割

• 名称: train
  • 字节数: 146408946868
  • 样本数: 356800925

下载和数据集大小

• 下载大小: 141620745676
• 数据集大小: 146408946868

配置

• 配置名称: default
  • 数据文件:
    • 分割: train
      • 路径: data/train-*

数据集摘要

UniRef100 数据下载于 2024年1月24日。

搜集汇总

背景与挑战

背景概述

UniRef100是一个包含3.56亿条蛋白质序列的大规模数据集，适用于文本处理任务，数据格式为Parquet，大小为142GB，使用CC-BY-4.0许可证。