dotan1111/MSA-amino-8-seq

该数据集包含用于训练、验证和测试的蛋白质和DNA多序列对齐数据。数据生成使用了SpartaABC工具，基于随机生成的系统发育树和不同的进化模型参数（如插入率、删除率、Zipfian分布参数等）。具体生成了1,495,000个训练数据、2,000个验证数据和3,000个测试数据的蛋白质和DNA多序列对齐。每个随机树的枝长从均匀分布中抽取，序列长度和对齐长度因插入删除动态和根序列长度而异。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

数据集概述

• 数据集名称: BetaAlign
• 数据集类型: 多序列比对（MSA）数据集
• 数据集用途: 用于训练、验证和测试序列到序列学习模型

数据生成方法

• 生成工具: SpartaABC
• 输入参数:
  • 根系进化树（包括拓扑结构和分支长度）
  • 替换模型（氨基酸或核苷酸）
  • 根序列长度
  • 插入和删除模型参数（插入率、删除率、插入Zipfian分布参数、删除Zipfian分布参数）
• 树生成工具: ETE 3.0
• 参数设置:
  • 分支长度：均匀分布在(0.5,1.0)范围内
  • 插入率、删除率：(0.0,0.05)
  • 插入Zipfian分布参数、删除Zipfian分布参数：(1.01,2.0)
  • 根序列长度：均匀分布在[32,44]范围内

数据集规模

• 蛋白质MSA:
  • 训练数据：1,495,000个
  • 验证数据：2,000个
  • 测试数据：3,000个
• DNA MSA:
  • 训练数据：1,495,000个
  • 验证数据：2,000个
  • 测试数据：3,000个

数据集细节

• 蛋白质模型: WAG+G模型
• DNA模型: GTR+G模型
• 核苷酸频率: (0.37, 0.166, 0.307, 0.158)，顺序为"T", "C", "A", "G"
• 替换率: (0.444, 0.0843, 0.116, 0.107, 0.00027)，顺序为"a", "b", "c", "d", "e"

示例

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