biomap-research/temperature_stability

---
dataset_info:
features:
- name: seq
dtype: string
- name: label
dtype: int64
splits:
- name: train
num_bytes: 88951983
num_examples: 283057
- name: valid
num_bytes: 19213838
num_examples: 62973
- name: test
num_bytes: 22317993
num_examples: 73205
download_size: 127753697
dataset_size: 130483814
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: valid
path: data/valid-*
- split: test
path: data/test-*
license: apache-2.0
task_categories:
- text-classification
tags:
- chemistry
- biology
size_categories:
- 100K<n<1M
---

# Dataset Card for Temperature Stability Dataset

### Dataset Summary

The accurate prediction of protein thermal stability has far-reaching implications in both academic and industrial spheres. This task primarily aims to predict a protein’s capacity to preserve its structural stability under a temperature condition of 65 degrees Celsius.

## Dataset Structure

### Data Instances
For each instance, there is a string representing the protein sequence and an integer label indicating whether the protein can maintain its structural stability at a temperature of 65 degrees Celsius. See the [temperature stability dataset viewer](https://huggingface.co/datasets/Bo1015/temperature_stability/viewer) to explore more examples.

```
{'seq':'MEHVIDNFDNIDKCLKCGKPIKVVKLKYIKKKIENIPNSHLINFKYCSKCKRENVIENL'
'label':1}
```

The average for the `seq` and the `label` are provided below:

| Feature | Mean Count |
| ---------- | ---------------- |
| seq | 300 |

### Data Fields

- `seq`: a string containing the protein sequence
- `label`: an integer label indicating the structural stability of each sequence.

### Data Splits

The temperature stability dataset has 3 splits: _train_, _valid_, and _test_. Below are the statistics of the dataset.

| Dataset Split | Number of Instances in Split |
| ------------- | ------------------------------------------- |
| Train | 283,057 |
| Valid | 62,973 |
| Test | 73,205 |

### Source Data

#### Initial Data Collection and Normalization

We adapted the dataset strategy from [TemStaPro](https://academic.oup.com/bioinformatics/article/40/4/btae157/7632735).

### Licensing Information

The dataset is released under the [Apache-2.0 License](http://www.apache.org/licenses/LICENSE-2.0).

### Citation
If you find our work useful, please consider citing the following paper:

```
@misc{chen2024xtrimopglm,
title={xTrimoPGLM: unified 100B-scale pre-trained transformer for deciphering the language of protein},
author={Chen, Bo and Cheng, Xingyi and Li, Pan and Geng, Yangli-ao and Gong, Jing and Li, Shen and Bei, Zhilei and Tan, Xu and Wang, Boyan and Zeng, Xin and others},
year={2024},
eprint={2401.06199},
archivePrefix={arXiv},
primaryClass={cs.CL},
note={arXiv preprint arXiv:2401.06199}
}
```

数据集信息：
特征：
- 名称：seq
数据类型：字符串（string）
- 名称：label
数据类型：64位整数（int64）
数据划分：
- 名称：训练集（train）
字节数：88951983
样本数：283057
- 名称：验证集（valid）
字节数：19213838
样本数：62973
- 名称：测试集（test）
字节数：22317993
样本数：73205
下载大小：127753697
数据集总大小：130483814
配置：
- 配置名称：默认配置（default）
数据文件：
- 划分：训练集（train）
路径：data/train-*
- 划分：验证集（valid）
路径：data/valid-*
- 划分：测试集（test）
路径：data/test-*
许可证：Apache-2.0许可证
任务类别：
- 文本分类（text-classification）
标签：
- 化学（chemistry）
- 生物学（biology）
样本量范围：
- 100K < n < 1M

# 温度稳定性数据集卡片

## 数据集概述
准确预测蛋白质热稳定性在学术与工业领域均具有深远意义。本任务的核心目标为预测蛋白质在65摄氏度环境下维持结构稳定性的能力。

## 数据集结构
### 数据实例
每个数据实例包含一条代表蛋白质序列的字符串，以及一个用于指示该蛋白质能否在65摄氏度下维持结构稳定性的整数标签。可访问[温度稳定性数据集查看器](https://huggingface.co/datasets/Bo1015/temperature_stability/viewer)浏览更多示例。

示例格式如下：

{'seq':'MEHVIDNFDNIDKCLKCGKPIKVVKLKYIKKKIENIPNSHLINFKYCSKCKRENVIENL','label':1}

`seq`与`label`的统计均值如下表所示：
| 特征 | 平均计数 |
| ---------- | ---------------- |
| seq | 300 |

### 数据字段
- `seq`：包含蛋白质序列的字符串
- `label`：用于指示各序列结构稳定性的整数标签

### 数据划分
该温度稳定性数据集包含训练集、验证集与测试集三个划分。以下为数据集的统计信息：
| 数据集划分 | 划分内样本数 |
| ------------- | ------------------------------------------- |
| 训练集（Train） | 283,057 |
| 验证集（Valid） | 62,973 |
| 测试集（Test） | 73,205 |

## 源数据
### 初始数据收集与标准化
本数据集的构建策略改编自[TemStaPro](https://academic.oup.com/bioinformatics/article/40/4/btae157/7632735)。

## 许可证信息
本数据集采用[Apache-2.0许可证](http://www.apache.org/licenses/LICENSE-2.0)发布。

## 引用
若您认为本工作对您有所帮助，请引用以下论文：

@misc{chen2024xtrimopglm,
title={xTrimoPGLM：用于破译蛋白质语言的统一1000亿参数预训练Transformer（Transformer）},
author={Chen, Bo and Cheng, Xingyi and Li, Pan and Geng, Yangli-ao and Gong, Jing and Li, Shen and Bei, Zhilei and Tan, Xu and Wang, Boyan and Zeng, Xin and others},
year={2024},
eprint={2401.06199},
archivePrefix={arXiv},
primaryClass={cs.CL},
note={arXiv预印本 arXiv:2401.06199}
}