silkome-full-idv-grouped

Silkome Full Idv Grouped 是一个用于从丝蛋白组（Silkome）序列预测蜘蛛丝牵引丝纤维机械性能的分组数据集。该数据集由原始silkome-full数据集重构而来，核心创新在于将共享相同测量纤维/属性标识符（idv）的所有可用丝蛋白序列行聚合为单个样本，形成序列集合 -> 机械性能的映射关系，旨在服务于基于ESMC等嵌入模型和后续集合级聚合模型的预测流程。数据集包含270个唯一的idv分组样本，总计代表3563条蛋白质序列行。每个分组样本包含一个idv对应的所有丝蛋白氨基酸序列列表（sequences）、每条序列的类别标签（如MaSp1, MaSp2等，共18个类别）、序列长度以及基于类别的组成特征。目标变量是纤维级的四个关键机械性能：韧性（toughness）、杨氏模量（E）、强度（strength）和应变（strain），同时提供了这些性能的标准差及归一化版本。数据还附带了丰富的元数据，包括物种分类学信息（科、属、种）、性别、NCBI标识符等。数据集已预先划分为训练集（230个样本）和测试集（40个样本），采用基于property_tuple_key的确定性分组分割方法，确保训练集和测试集在idv和四元组属性上均无重叠，以进行更严谨、防泄漏的模型评估。该数据集适用于纤维级机械性能预测、序列嵌入与集合聚合模型基准测试、丝蛋白类别组成分析以及序列-性能关系研究等任务。需要注意的是，目标性能是纤维水平的测量值，并非单个蛋白质的直接功能标签，纤维力学还受多种非序列因素影响。