biodatasets/afdb_e_coli

---
dataset_info:
- config_name: array
features:
- name: name
dtype: string
- name: structure
struct:
- name: coords
dtype:
array2_d:
shape:
- null
- 3
dtype: float16
- name: restype_index
dtype:
array1_d:
shape:
- null
dtype: uint8
- name: chain_id
dtype:
array1_d:
shape:
- null
dtype: string
- name: b_factor
dtype:
array1_d:
shape:
- null
dtype: float16
splits:
- name: train
num_bytes: 232476354.0
num_examples: 8726
download_size: 119713209
dataset_size: 232476354.0
bio_features:
- name: name
dtype: string
- name: structure
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- UNK
- VAL
residue_letters:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- X
- V
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
CYS:
- N
- CA
- C
- O
- CB
- SG
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CD2
- CE1
- NE2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- NE1
- CE2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
UNK:
- N
- CA
- C
- O
- CB
- CG
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
residue_elements:
ALA:
- N
- C
- C
- O
- C
ARG:
- N
- C
- C
- O
- C
- C
- C
- N
- C
- N
- N
ASN:
- N
- C
- C
- O
- C
- C
- O
- N
ASP:
- N
- C
- C
- O
- C
- C
- O
- O
CYS:
- N
- C
- C
- O
- C
- S
GLN:
- N
- C
- C
- O
- C
- C
- C
- O
- N
GLU:
- N
- C
- C
- O
- C
- C
- C
- O
- O
GLY:
- N
- C
- C
- O
HIS:
- N
- C
- C
- O
- C
- C
- N
- C
- C
- N
ILE:
- N
- C
- C
- O
- C
- C
- C
- C
LEU:
- N
- C
- C
- O
- C
- C
- C
- C
LYS:
- N
- C
- C
- O
- C
- C
- C
- C
- N
MET:
- N
- C
- C
- O
- C
- C
- S
- C
PHE:
- N
- C
- C
- O
- C
- C
- C
- C
- C
- C
- C
PRO:
- N
- C
- C
- O
- C
- C
- C
SER:
- N
- C
- C
- O
- C
- O
THR:
- N
- C
- C
- O
- C
- O
- C
TRP:
- N
- C
- C
- O
- C
- C
- C
- C
- N
- C
- C
- C
- C
- C
TYR:
- N
- C
- C
- O
- C
- C
- C
- C
- C
- C
- C
- O
UNK:
- N
- C
- C
- O
- C
- C
VAL:
- N
- C
- C
- O
- C
- C
- C
unknown_residue_name: UNK
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
element_types:
- C
- N
- O
- S
residue_categories:
ALA: protein
ARG: protein
ASN: protein
ASP: protein
CYS: protein
GLN: protein
GLU: protein
GLY: protein
HIS: protein
ILE: protein
LEU: protein
LYS: protein
MET: protein
PHE: protein
PRO: protein
SER: protein
THR: protein
TRP: protein
TYR: protein
UNK: protein
VAL: protein
backbone_atoms:
- N
- CA
- C
- O
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
element_swaps:
- - SE
- S
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
element_swaps:
- - SE
- S
all_atoms_present: true
load_as: chain
coords_dtype: float16
b_factor_is_plddt: true
b_factor_dtype: float16
with_element: false
with_hetero: false
with_b_factor: true
- config_name: default
features:
- name: name
dtype: string
- name: structure
struct:
- name: bytes
dtype: binary
- name: path
dtype: string
- name: type
dtype: string
splits:
- name: train
num_bytes: 43892127.0
num_examples: 8726
download_size: 43456244
dataset_size: 43892127.0
bio_features:
- name: name
dtype: string
- name: structure
dtype:
protein_structure_feature:
load_as: chain
with_b_factor: true
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- UNK
- VAL
residue_letters:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- X
- V
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
CYS:
- N
- CA
- C
- O
- CB
- SG
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CD2
- CE1
- NE2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- NE1
- CE2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
UNK:
- N
- CA
- C
- O
- CB
- CG
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
residue_elements:
ALA:
- N
- C
- C
- O
- C
ARG:
- N
- C
- C
- O
- C
- C
- C
- N
- C
- N
- N
ASN:
- N
- C
- C
- O
- C
- C
- O
- N
ASP:
- N
- C
- C
- O
- C
- C
- O
- O
CYS:
- N
- C
- C
- O
- C
- S
GLN:
- N
- C
- C
- O
- C
- C
- C
- O
- N
GLU:
- N
- C
- C
- O
- C
- C
- C
- O
- O
GLY:
- N
- C
- C
- O
HIS:
- N
- C
- C
- O
- C
- C
- N
- C
- C
- N
ILE:
- N
- C
- C
- O
- C
- C
- C
- C
LEU:
- N
- C
- C
- O
- C
- C
- C
- C
LYS:
- N
- C
- C
- O
- C
- C
- C
- C
- N
MET:
- N
- C
- C
- O
- C
- C
- S
- C
PHE:
- N
- C
- C
- O
- C
- C
- C
- C
- C
- C
- C
PRO:
- N
- C
- C
- O
- C
- C
- C
SER:
- N
- C
- C
- O
- C
- O
THR:
- N
- C
- C
- O
- C
- O
- C
TRP:
- N
- C
- C
- O
- C
- C
- C
- C
- N
- C
- C
- C
- C
- C
TYR:
- N
- C
- C
- O
- C
- C
- C
- C
- C
- C
- C
- O
UNK:
- N
- C
- C
- O
- C
- C
VAL:
- N
- C
- C
- O
- C
- C
- C
unknown_residue_name: UNK
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
element_types:
- C
- N
- O
- S
residue_categories:
ALA: protein
ARG: protein
ASN: protein
ASP: protein
CYS: protein
GLN: protein
GLU: protein
GLY: protein
HIS: protein
ILE: protein
LEU: protein
LYS: protein
MET: protein
PHE: protein
PRO: protein
SER: protein
THR: protein
TRP: protein
TYR: protein
UNK: protein
VAL: protein
backbone_atoms:
- N
- CA
- C
- O
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
element_swaps:
- - SE
- S
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
element_swaps:
- - SE
- S
keep_oxt: true
configs:
- config_name: array
data_files:
- split: train
path: array/train-*
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
1. 配置名称：array
特征字段：
- 字段名：name，数据类型：字符串
- 字段名：structure，为结构体类型，包含以下子字段：
- 字段名：coords（坐标），数据类型为二维数组：形状为(可变长度, 3)，数据类型为半精度浮点数（float16）
- 字段名：restype_index（残基类型索引），数据类型为一维数组：形状为(可变长度)，数据类型为无符号8位整数（uint8）
- 字段名：chain_id（链标识符），数据类型为一维数组：形状为(可变长度)，数据类型为字符串
- 字段名：b_factor（B因子，即蛋白质结构温度因子），数据类型为一维数组：形状为(可变长度)，数据类型为半精度浮点数（float16）
数据划分：
- 划分名称：训练集（train），字节占用量：232476354.0，样本数量：8726
下载总大小：119713209 字节
数据集存储总大小：232476354.0 字节
生物信息特征：
- 字段名：name，数据类型：字符串
- 字段名：structure，数据类型为蛋白质原子数组特征（protein_atom_array_feature），具体配置如下：
残基字典：
- 残基名称列表：ALA、ARG、ASN、ASP、CYS、GLN、GLU、GLY、HIS、ILE、LEU、LYS、MET、PHE、PRO、SER、THR、TRP、TYR、UNK、VAL
- 残基单字母缩写列表：A、R、N、D、C、Q、E、G、H、I、L、K、M、F、P、S、T、W、Y、X、V
残基原子映射：
ALA：N、CA、C、O、CB
ARG：N、CA、C、O、CB、CG、CD、NE、CZ、NH1、NH2
ASN：N、CA、C、O、CB、CG、OD1、ND2
ASP：N、CA、C、O、CB、CG、OD1、OD2
CYS：N、CA、C、O、CB、SG
GLN：N、CA、C、O、CB、CG、CD、OE1、NE2
GLU：N、CA、C、O、CB、CG、CD、OE1、OE2
GLY：N、CA、C、O
HIS：N、CA、C、O、CB、CG、ND1、CD2、CE1、NE2
ILE：N、CA、C、O、CB、CG1、CG2、CD1
LEU：N、CA、C、O、CB、CG、CD1、CD2
LYS：N、CA、C、O、CB、CG、CD、CE、NZ
MET：N、CA、C、O、CB、CG、SD、CE
PHE：N、CA、C、O、CB、CG、CD1、CD2、CE1、CE2、CZ
PRO：N、CA、C、O、CB、CG、CD
SER：N、CA、C、O、CB、OG
THR：N、CA、C、O、CB、OG1、CG2
TRP：N、CA、C、O、CB、CG、CD1、CD2、NE1、CE2、CE3、CZ2、CZ3、CH2
TYR：N、CA、C、O、CB、CG、CD1、CD2、CE1、CE2、CZ、OH
UNK：N、CA、C、O、CB、CG
VAL：N、CA、C、O、CB、CG1、CG2
残基元素组成映射：
ALA：N、C、C、O、C
ARG：N、C、C、O、C、C、C、N、C、N、N
ASN：N、C、C、O、C、C、O、N
ASP：N、C、C、O、C、C、O、O
CYS：N、C、C、O、C、S
GLN：N、C、C、O、C、C、C、O、N
GLU：N、C、C、O、C、C、C、O、O
GLY：N、C、C、O
HIS：N、C、C、O、C、C、N、C、C、N
ILE：N、C、C、O、C、C、C、C
LEU：N、C、C、O、C、C、C、C
LYS：N、C、C、O、C、C、C、C、N
MET：N、C、C、O、C、C、S、C
PHE：N、C、C、O、C、C、C、C、C、C、C
PRO：N、C、C、O、C、C、C
SER：N、C、C、O、C、O
THR：N、C、C、O、C、O、C
TRP：N、C、C、O、C、C、C、C、N、C、C、C、C、C
TYR：N、C、C、O、C、C、C、C、C、C、C、O
UNK：N、C、C、O、C、C
VAL：N、C、C、O、C、C、C
未知残基名称：UNK
支持的原子类型：N、CA、C、CB、O、CG、CG1、CG2、OG、OG1、SG、CD、CD1、CD2、ND1、ND2、OD1、OD2、SD、CE、CE1、CE2、CE3、NE、NE1、NE2、OE1、OE2、CH2、NH1、NH2、OH、CZ、CZ2、CZ3、NZ、OXT
支持的元素类型：C、N、O、S
残基分类：所有列示残基均为蛋白质源性残基
主链原子：N、CA、C、O
残基转换规则：
1. 残基MSE（硒代甲硫氨酸）转换为MET（甲硫氨酸）：原子替换为将SE替换为SD，元素替换为将SE替换为S
2. 残基SEC（硒代半胱氨酸）转换为CYS（半胱氨酸）：原子替换为将SE替换为SG，元素替换为将SE替换为S
其他配置：所有原子均已包含，加载方式为按链加载，坐标数据类型为float16，B因子即为预测局部距离差测试得分（pLDDT），B因子数据类型为float16，不包含元素信息、异质原子，包含B因子信息
2. 配置名称：default
特征字段：
- 字段名：name，数据类型：字符串
- 字段名：structure，为结构体类型，包含以下子字段：
- 字段名：bytes，数据类型：二进制数据
- 字段名：path，数据类型：字符串
- 字段名：type，数据类型：字符串
数据划分：
- 划分名称：训练集（train），字节占用量：43892127.0，样本数量：8726
下载总大小：43456244 字节
数据集存储总大小：43892127.0 字节
生物信息特征：
- 字段名：name，数据类型：字符串
- 字段名：structure，数据类型为蛋白质结构特征（protein_structure_feature），其残基字典、原子映射等配置与array配置一致，额外配置：保留末端羧基氧原子（OXT）
配置列表：
- 配置名称：array，数据文件路径：array/train-*（对应训练集划分）
- 配置名称：default，数据文件路径：data/train-*（对应训练集划分）