alchemab/her2-binding-prediction

---
dataset_info:
features:
- name: vh
dtype: string
- name: vl
dtype: string
- name: label
dtype:
class_label:
names:
'0': non-binder
'1': binder
splits:
- name: train
num_bytes: 4428189
num_examples: 18223
- name: eval
num_bytes: 553554
num_examples: 2278
- name: test
num_bytes: 553554
num_examples: 2278
download_size: 415916
dataset_size: 5535297
---
# HER2 binding dataset

HER2 binding antibodies have been obtained from the [Github repo](https://github.com/dahjan/DMS_opt) for [Mason et al. (2021)](https://www.nature.com/articles/s41551-021-00699-9).

Labels for antibody sequences were generated using scripts in the above Github repo. The number of negatives and positives were balanced through random undersampling using [imbalanced-learn](https://github.com/scikit-learn-contrib/imbalanced-learn), and sequences were deduplicated.

The dataset has:
* 39108 antibodies in total
* 22779 antibodies after undersampling and deduplication
* 18223 in the training set, 2278 in the evaluation set, and 2278 in the test set.

Example

| vh_full | vl_full | label |
| ------- | ------- | ----- |
| EVQ... | DIQ... | 1 |
| EVQ... | DIQ... | 0 |
| EVQ... | DIQ... | 0 |
| EVQ... | DIQ... | 1 |

References

* [Mason et al. (2021) paper](https://www.nature.com/articles/s41551-021-00699-9)

数据集信息：
特征：
- 名称：vh，数据类型：字符串
- 名称：vl，数据类型：字符串
- 名称：label，数据类型：分类标签，其类别名称为：'0': 非结合体（non-binder），'1': 结合体（binder）
划分集：
- 名称：训练集（train），字节数：4428189，样本数：18223
- 名称：评估集（eval），字节数：553554，样本数：2278
- 名称：测试集（test），字节数：553554，样本数：2278
下载大小：415916 字节，数据集总大小：5535297 字节

# HER2结合数据集

HER2结合抗体源自对应[Mason等人(2021)研究](https://www.nature.com/articles/s41551-021-00699-9)的[Github仓库](https://github.com/dahjan/DMS_opt)。

抗体序列的标签通过上述Github仓库中的脚本生成。通过[不平衡学习库（imbalanced-learn）](https://github.com/scikit-learn-contrib/imbalanced-learn)的随机欠采样方法对正负样本进行平衡，并对序列进行去重处理。

本数据集相关信息如下：
* 原始总抗体序列共39108条
* 经欠采样与去重后共保留22779条抗体序列
* 训练集包含18223条样本，评估集与测试集各包含2278条样本

示例
| vh_full（重链全序列） | vl_full（轻链全序列） | label（标签） |
| ------- | ------- | ----- |
| EVQ... | DIQ... | 1 |
| EVQ... | DIQ... | 0 |
| EVQ... | DIQ... | 0 |
| EVQ... | DIQ... | 1 |

参考文献
* [Mason等人(2021)研究论文](https://www.nature.com/articles/s41551-021-00699-9)