damlab/HIV_V3_coreceptor

该数据集来源于Los Alamos国家实验室的HIV序列数据库，包含2935个HIV V3环蛋白序列，这些序列可以与T细胞上的CCR5受体或巨噬细胞上的CXCR4受体相互作用。数据集的结构包括每个实例的ID、序列、折叠信息以及受体类型。数据集的创建目的是为了训练一个模型（HIV-BERT-V3）来预测HIV V3环是CCR5还是CXCR4趋向的。使用该数据集时需要注意其样本主要来自北美和欧洲的B亚型，其他亚型的样本较少，可能需要额外的序列来平衡性能。

原始信息汇总

数据集描述

数据集概述

该数据集源自洛斯阿拉莫斯国家实验室（LANL）的HIV序列数据库。包含2,935条HIV V3环蛋白序列，这些序列可以与T细胞上的CCR5受体或巨噬细胞上的CXCR4受体相互作用。

支持的任务和排行榜：无

语言：英语

数据集结构

数据实例

每个数据实例的列代表HIV V3环的蛋白质氨基酸序列。ID字段表示未来交叉引用的Genbank参考ID。共有2,935条V3序列，其中91%为CCR5趋向性，23%为CXCR4趋向性。

数据字段：ID, sequence, fold, CCR5, CXCR4

数据分割：无

数据集创建

数据集创建理由

该数据集是为了训练一个名为HIV-BERT-V3的模型，该模型旨在预测HIV V3环是CCR5趋向性还是CXCR4趋向性。

初始数据收集和规范化

数据集于2021年12月20日下载并整理。

使用数据时的考虑

数据集的社会影响

该数据集可用于研究HIV V3环允许进入T细胞和巨噬细胞的机制。

偏见讨论

由于该数据库的采样性质，它主要由北美和欧洲的B亚型序列组成，只有少量的C、A和D亚型序列。目前没有努力平衡这些类别的表现。因此，应考虑通过添加更多序列来改进对非B序列的表现。

附加信息

• 数据集策展人：Will Dampier
• 引用信息：待定