parkneurals/ecoli-essentiality-cub

---
license: cc-by-4.0
task_categories:
- tabular-classification
language:
- en
tags:
- bioinformatics
- genomics
- codon-usage-bias
- gene-essentiality
- e-coli
- machine-learning
pretty_name: E. coli Gene Essentiality — Codon Usage Bias Features
size_categories:
- 1K<n<10K
---

1,503 synthetic *E. coli* K-12-like coding sequences
with 114 codon usage bias (CUB) features per gene and a binary essentiality label.
Distributions are calibrated to published *E. coli* K-12 MG1655 statistics
(Sharp & Li 1987; Rocha 2004; Ikemura 1985).

## Label

| Value | Meaning | Count |
|-------|---------|-------|
| 1 | Essential | 303 (20.2%) |
| 0 | Non-essential | 1,200 (79.8%) |

## Feature Groups (114 total)

| Group | Count | Examples |
|-------|-------|---------|
| Primary CUB indices | 5 | `cai`, `enc`, `gc3s`, `fop`, `gravy` |
| GC by codon position | 4 | `gc1`, `gc2`, `gc3`, `gc_overall` |
| Gene structure | 1 | `gene_length_codons` |
| Dinucleotide biases (key) | 7 | `cpg_bias`, `ta_bias` |
| RSCU per codon | 61 | `rscu_CTG`, `rscu_AAA`, ... |
| All dinucleotide biases | 16 | `dinuc_CG`, `dinuc_AT`, ... |
| Amino acid fractions | 20 | `aa_frac_A`, `aa_frac_L`, ... |

## Columns

- `gene_id` — unique identifier (`ESS_XXXX` or `NON_XXXX`)
- `cds_sequence` — synthetic DNA coding sequence (starts ATG, ends TAA)
- `label` — binary label (1 = essential, 0 = non-essential)
- `label_str` — human-readable label string
- _114 feature columns_ — see table above

## Biological Calibration

| Parameter | Essential | Non-essential | Source |
|-----------|-----------|---------------|--------|
| CAI target (mean) | 0.72 | 0.55 | Rocha (2004) |
| CAI std | 0.07 | 0.12 | Sharp & Li (1987) |
| GC3s target (mean) | 0.53 | 0.49 | Rocha (2004) |
| Gene length (codons, log-mean) | ~230 | ~310 | NCBI K-12 proteome |

许可证：CC BY 4.0
任务类别：表格分类（tabular-classification）
语言：英语
标签：生物信息学（bioinformatics）、基因组学（genomics）、密码子使用偏好（Codon Usage Bias）、基因必需性（gene-essentiality）、大肠杆菌（E. coli）、机器学习（machine-learning）
展示名称：大肠杆菌（E. coli）基因必需性——密码子使用偏好特征数据集
样本量区间：1000 < 样本数量 < 10000

本数据集包含1503条合成的类大肠杆菌（E. coli）K-12编码序列，每条基因对应114个密码子使用偏好（Codon Usage Bias，以下简称CUB）特征与一个二分类基因必需性标签。数据集的特征分布校准自已发表的大肠杆菌（E. coli）K-12 MG1655菌株统计数据（Sharp & Li 1987; Rocha 2004; Ikemura 1985）。

## 标签说明
| 标签值 | 含义 | 样本数 |
|-------|---------|-------|
| 1 | 必需基因 | 303（20.2%） |
| 0 | 非必需基因 | 1200（79.8%） |

## 特征组（共114组）
| 特征组类别 | 特征数量 | 示例 |
|-------|-------|---------|
| 主要CUB指数 | 5 | `cai`、`enc`、`gc3s`、`fop`、`gravy` |
| 密码子位点GC含量 | 4 | `gc1`、`gc2`、`gc3`、`gc_overall` |
| 基因结构 | 1 | `gene_length_codons` |
| 核心二核苷酸偏好 | 7 | `cpg_bias`、`ta_bias`等 |
| 单密码子相对同义密码子使用度（Relative Synonymous Codon Usage, RSCU） | 61 | `rscu_CTG`、`rscu_AAA`等 |
| 全二核苷酸偏好 | 16 | `dinuc_CG`、`dinuc_AT`等 |
| 氨基酸占比 | 20 | `aa_frac_A`、`aa_frac_L`等 |

## 数据列
- `gene_id`：唯一标识符，格式为`ESS_XXXX`或`NON_XXXX`
- `cds_sequence`：合成DNA编码序列，起始密码子为ATG，终止密码子为TAA
- `label`：二分类标签（1表示必需基因，0表示非必需基因）
- `label_str`：人类可读的标签文本
- 共114个特征列：详见上文特征组表格

## 生物学校准参数
| 参数 | 必需基因组 | 非必需基因组 | 来源 |
|-----------|-----------|---------------|--------|
| 密码子适应指数（Codon Adaptation Index, CAI）目标均值 | 0.72 | 0.55 | Rocha (2004) |
| CAI标准差 | 0.07 | 0.12 | Sharp & Li (1987) |
| 第三位密码子GC含量（GC3s）目标均值 | 0.53 | 0.49 | Rocha (2004) |
| 密码子长度（对数均值） | ~230 | ~310 | NCBI K-12蛋白质组 |