dotan1111/MSA-amino-10-seq

该数据集用于训练、验证和测试BetaAlign方法，BetaAlign是一种使用NLP技术进行序列对齐的方法。数据通过SpartaABC工具生成，包括蛋白质和DNA的多序列对齐（MSA）数据。生成数据时使用了随机生成的系统发育树、替换模型、根序列长度和插入/删除模型参数。训练集包含1,495,000个蛋白质和DNA的MSA，验证集和测试集分别包含2,000和3,000个MSA。每个随机树的枝长从均匀分布中抽取，序列生成时使用了特定的插入/删除率和Zipfian分布参数。蛋白质数据集使用WAG+G模型生成，DNA数据集使用GTR+G模型生成。

原始信息汇总

多序列比对作为序列到序列学习问题

数据

我们使用SpartaABC（Loewenthal et al., 2021）生成数百万个真实比对。SpartaABC需要以下输入：

1. 一个有根的系统发育树，包括拓扑结构和分支长度；
2. 替换模型（氨基酸或核苷酸）；
3. 根序列长度；
4. 插入删除模型参数，包括：插入率（R_I），删除率（R_D），插入Zipfian分布参数（A_I），和删除Zipfian分布参数（A_D）。

我们生成了1,495,000个、2,000个和3,000个蛋白质多序列比对（MSAs），分别用于训练、验证和测试数据。我们生成了相同数量的DNA MSAs。对于每个随机树，分支长度从范围*(0.5,1.0)的均匀分布中抽取。接下来，使用SpartaABC生成序列，参数如下：R_I,R_D in (0.0,0.05)，A_I, A_D in (1.01,2.0)。比对长度以及树叶序列长度在数据集之间和内部变化，因为它们取决于插入删除动态和根长度。根长度在范围[32,44]*内均匀采样。除非另有说明，所有蛋白质数据集均使用WAG+G模型生成，所有DNA数据集均使用GTR+G模型生成，参数如下：

1. 不同核苷酸的频率*(0.37, 0.166, 0.307, 0.158)*，顺序为"T", "C", "A"和"G"；
2. 替换率*(0.444, 0.0843, 0.116, 0.107, 0.00027)*，顺序为"a", "b", "c", "d"和"e"。

示例

以下示例对应上图中的MSA：

json {"MSA": "AAAC-GGG", "unaligned_seqs": {"seq0": "AAG", "seq1": "ACGG"}}