AmelieSchreiber/binding_sites_random_split_by_family_550K

该数据集通过UniProt搜索获得，包含带有家族和结合位点注释的蛋白质序列。数据集包括未审查（TrEMBL）和已审查的蛋白质序列，并且只包含注释得分为4的序列。数据集按家族排序和分割，随机选择家族作为测试数据集，直到大约20%的蛋白质序列被分离出来用于测试数据。排除了在结合位点注释中包含`<`、`>`或`?`的序列。此外，还包括了未列为结合位点的活性位点。对于长度超过1000个残基的序列，在训练测试分割后将其分割为不超过1000个氨基酸的非重叠部分。数据集还提供了包含训练/测试序列及其二进制标签的Pickle文件，可用于训练或验证训练/测试指标。

原始信息汇总

数据集概述

数据来源

• 数据集来源于UniProt搜索，包含具有家族和结合位点注释的蛋白质序列。

数据内容

• 包括未审核（TrEMBL）和已审核的蛋白质序列。
• 仅包含注释分数为4的序列。
• 排除了结合位点注释中包含<、>或?的序列。
• 包含未列为结合位点的活性位点。

数据处理

• 按家族分类，随机选择约20%的蛋白质序列作为测试数据。
• 将长度超过1000个残基的序列分割成不超过1000个氨基酸的非重叠片段。
• 提供仅包含训练/测试序列及其二进制标签的Pickle文件，可用于训练或验证。

数据规模

• 数据集大小：100K<n<1M

标签

• 包含“Binding-Active Sites”列，合并了结合位点和活性位点。

适用领域

• 生物学
• 蛋白质序列
• 结合位点
• 活性位点