AmelieSchreiber/binding_sites_random_split_by_family

这是一个从UniProt获取的数据集的精炼版本。数据集首先按家族排序，然后随机选择家族，直到大约20%的数据被分离出来作为测试数据。接着，每个长度超过1000个残基的序列被分割成不超过1000个氨基酸的非重叠部分。任何只有部分结合位点注释的序列（包含`<`、`>`或`?`的序列）被丢弃。

This is a refined version of a dataset sourced from UniProt. The dataset is first sorted by protein families, then families are randomly selected until approximately 20% of the data is set aside as test data. Subsequently, any sequence longer than 1000 residues is split into non-overlapping segments each containing no more than 1000 amino acids. Any sequence with partial binding site annotations (i.e., sequences containing `<`, `>`, or `?`) is discarded.

原始信息汇总

数据集概述

数据来源

• 数据集来源于UniProt。

数据处理步骤

1. 数据首先按家族分类。
2. 随机选择部分家族，直到约20%的数据被分离出来作为测试数据。
3. 将长度超过1000个残基的序列分割成不超过1000个氨基酸的非重叠部分。
4. 丢弃仅具有部分结合位点注释的序列（包含<、>或?的序列）。