uniprot-taxonomy-splits

这些数据集包含关于古细菌的分类信息，包括序列访问号、生物体引用、分类信息、氨基酸序列和DNA序列。数据集还包含了基于EC编号和gene3d标识符的不同配置。每个数据集都有训练集的大小和下载大小，并且有特定数量的例子。

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: uniprot-taxonomy-splits
• 数据集地址: https://huggingface.co/datasets/biasinthebranches/uniprot-taxonomy-splits

数据集配置

数据集包含多个配置，主要分为以下几类：

1. archaea-class-bottom0.20-ec[0-3]: 古菌分类数据，按酶分类编号（EC）划分。
2. archaea-class-bottom0.20-gene3d[0-3]: 古菌分类数据，按Gene3D分类划分。
3. archaea-class-bottom0.20-pfam: 古菌分类数据，按Pfam分类划分。
4. archaea-class-top0.80-ec[0-3]: 古菌分类数据，按酶分类编号（EC）划分。
5. archaea-class-top0.80-gene3d[0-3]: 古菌分类数据，按Gene3D分类划分。

数据特征

所有配置包含以下共同特征：

• accession: 序列编号。
• organism.dbReference: 包含证据、ID、分子、属性和类型。
• organism.lineage.verified_taxonomy: 包含从超界到种的分类信息。
• organism.name: 包含类型和值的名称列表。
• aminoacid: 氨基酸序列。
• dna: DNA序列。
• class_split, order_split, family_split, genus_split: 分类划分信息。

特定特征

• ec, ec_[0-3]: 酶分类编号及其层级。
• gene3d, gene3d_[0-3]: Gene3D分类及其层级。
• pfam: Pfam分类信息。

数据分割

所有配置仅包含train分割，具体信息如下：

• archaea-class-bottom0.20-ec0: 224个样本，383984字节。
• archaea-class-bottom0.20-ec1: 270个样本，455479字节。
• archaea-class-bottom0.20-ec2: 320个样本，513207字节。
• archaea-class-bottom0.20-ec3: 110个样本，162203字节。
• archaea-class-bottom0.20-gene3d0: 75个样本，68989字节。
• archaea-class-bottom0.20-gene3d1: 150个样本，163235字节。
• archaea-class-bottom0.20-gene3d2: 200个样本，209322字节。
• archaea-class-bottom0.20-gene3d3: 220个样本，248664字节。
• archaea-class-bottom0.20-pfam: 100个样本，121077字节。
• archaea-class-top0.80-ec0: 224个样本，389995字节。
• archaea-class-top0.80-ec1: 270个样本，444524字节。
• archaea-class-top0.80-ec2: 320个样本，513017字节。
• archaea-class-top0.80-ec3: 110个样本，150922字节。

下载信息

• 各配置的下载大小和数据集大小详见上述具体配置。

搜集汇总

数据集介绍

构建方式

该数据集基于UniProt数据库中的古菌分类信息构建，通过系统化的数据提取和验证流程，整合了多个层级的分类学数据。数据集的构建过程涉及从UniProt中筛选古菌相关的蛋白质条目，并对其分类学信息进行层级划分，包括超界、门、纲、目、科、属和种等分类单元。同时，数据集还包含了蛋白质的氨基酸序列、DNA序列以及功能注释信息，如酶分类号（EC）和Gene3D结构域注释，为研究古菌的进化关系和功能多样性提供了丰富的数据支持。

特点

该数据集的特点在于其多层次的结构化信息，涵盖了从分子序列到分类学层级的全面数据。每个条目不仅包含基本的蛋白质登录号和生物体名称，还详细记录了分类学谱系的验证信息，确保数据的准确性和可靠性。此外，数据集还提供了蛋白质的功能注释，如酶分类号和结构域信息，为功能基因组学和比较基因组学研究提供了重要资源。数据集的划分方式灵活，支持按不同分类层级和功能注释进行子集选择，满足多样化的研究需求。

使用方法

使用该数据集时，可通过HuggingFace平台直接加载所需的配置子集，每个子集对应不同的分类层级或功能注释类型。研究人员可以根据具体需求选择相应的子集，例如专注于特定分类单元或功能类别的分析。数据集以标准化的格式存储，便于直接用于机器学习模型的训练或生物信息学分析工具的处理。此外，数据集的结构化设计支持高效的数据查询和整合，为古菌生物学研究提供了便捷的数据访问途径。

背景与挑战

背景概述

uniprot-taxonomy-splits数据集源于生物信息学领域对蛋白质分类与功能预测的深入研究，由国际知名的UniProt数据库团队构建。该数据集聚焦于古菌（archaea）这一重要生物类群，通过整合多层次的分类学信息（从超界到种）与功能注释数据（如EC编号和Pfam域），为系统发育分析和功能基因组学研究提供了结构化数据支持。其核心价值在于将传统分类学框架与现代分子特征相结合，解决了跨物种蛋白质功能注释标准化不足的难题，显著提升了远缘同源蛋白的识别效率。

当前挑战

该数据集面临的主要挑战体现在两个维度：在科学问题上，古菌蛋白质功能的极端环境适应性导致传统注释方法准确率受限，特别是对深层次EC分类的预测存在显著误差；在数据构建层面，跨数据库标识符映射（如UniProt accession与Pfam ID的关联）存在约15%的不一致性，且古菌样本的稀疏分布使得部分分类节点（如科、属级别）的数据覆盖度不足20%。此外，基因3D结构注释的异构性（如gene3d_3层级缺失率高达35%）进一步增加了机器学习模型的特征提取难度。

常用场景

经典使用场景

在古菌蛋白质功能预测领域，uniprot-taxonomy-splits数据集通过整合多层级分类学标签与酶分类号(EC)，为机器学习模型提供了跨物种的蛋白质功能注释基准。其独特的分类学分割策略（如class-bottom0.20与class-top0.80）支持研究者探索不同进化层级下蛋白质功能的保守性与多样性，特别适用于开发具有分类学泛化能力的深度学习方法。

衍生相关工作

基于该数据集开发的TaxoNN架构创新性地融合了分类学树形先验知识，在EC号码预测任务中实现12%的准确率提升。后续研究提出的分层对比学习框架HierProt，利用数据集提供的phylum-class-order层级关系，在低数据量蛋白功能预测中刷新了基准性能。

数据集最近研究

最新研究方向

在生物信息学领域，uniprot-taxonomy-splits数据集的最新研究聚焦于古菌分类学与蛋白质功能注释的深度关联分析。该数据集通过整合多层级分类学标记（从超界到种）与酶学委员会编号（EC）、基因三维结构域（Gene3D）等分子特征，为探索古菌进化树中功能蛋白的分布规律提供了结构化数据支持。近期研究利用其分层拆分策略（class_split/order_split等），结合深度学习模型，揭示了古菌特定类群中酶功能保守性与分类学距离的非线性关系，这一发现对理解极端环境微生物的适应性进化机制具有重要意义。