Global SARS-CoV-2 Proteome Mutation Burden Atlas Derived From 103 Million Amino Acid Sequences Covering S, N, M, E, ORF1a, ORF1b, ORF3a, ORF6, ORF7a, ORF7b, and ORF8 Proteins Spanning 2020 to Q3-2025

This dataset presents the largest known per-protein amino acid mutation burden analysis of SARS-CoV-2 to date, encompassing 103,378,188 high-quality translated sequences from global surveillance.For each of the 11 canonical SARS-CoV-2 proteins (structural, replicase, and accessory), we provide:Per-sequence mutation burden vs. Wuhan-Hu-1 referenceYear-stratified evolutionary statistics (where metadata available)Chunked, analysis-ready records in JSON.zst and TSV.zst formatsSARS-CoV-2 Mutation Burden Summary ==================================================S: 9398268 seqs, mean burden = 113.66N: 9397174 seqs, mean burden = 37.83M: 9398092 seqs, mean burden = 12.10E: 9398041 seqs, mean burden = 2.24ORF1a: 9398286 seqs, mean burden = 178.16ORF1b: 9398287 seqs, mean burden = 6940.96ORF3a: 9398086 seqs, mean burden = 5.92ORF6: 9397993 seqs, mean burden = 1.04ORF7a: 9397998 seqs, mean burden = 7.06ORF7b: 9397956 seqs, mean burden = 2.47ORF8: 9397712 seqs, mean burden = 4.93Note:ORF1b burden reflects alignment artifact due to frameshift-dependent expression; values not biologically comparable to other genes.Total Sequences: 103,378,188Please properly cite this dataset if you use it. This dataset is for my upcoming journal article. Also that, earlier i started this processing for 2025 but expanded to contain 2020 up to 2025 so even tough a few folders contain label 2025 but all has coverage span from 2020 up to quarter 3 of 2025 Study & Data Processed by: [e-mail]本数据集为目前已知规模最大的新冠病毒（SARS-CoV-2）单蛋白氨基酸突变负荷分析数据集，涵盖来自全球监测的103,378,188条高质量翻译序列。针对11种经典新冠病毒蛋白（结构蛋白、复制酶蛋白及辅助蛋白），我们提供以下内容：每条序列与武汉-Hu-1参考株（Wuhan-Hu-1）的突变负荷对比；按年份分层的进化统计数据（若具备对应元数据）；分块且可直接用于分析的JSON.zst与TSV.zst格式数据集文件。 新冠病毒突变负荷统计摘要================================================== 刺突蛋白（S）：9398268条序列，平均突变负荷为113.66 核衣壳蛋白（N）：9397174条序列，平均突变负荷为37.83 膜蛋白（M）：9398092条序列，平均突变负荷为12.10 包膜蛋白（E）：9398041条序列，平均突变负荷为2.24 开放阅读框1a（ORF1a）：9398286条序列，平均突变负荷为178.16 开放阅读框1b（ORF1b）：9398287条序列，平均突变负荷为6940.96 开放阅读框3a（ORF3a）：9398086条序列，平均突变负荷为5.92 开放阅读框6（ORF6）：9397993条序列，平均突变负荷为1.04 开放阅读框7a（ORF7a）：9397998条序列，平均突变负荷为7.06 开放阅读框7b（ORF7b）：9397956条序列，平均突变负荷为2.47 开放阅读框8（ORF8）：9397712条序列，平均突变负荷为4.93 注意： 开放阅读框1b（ORF1b）的突变负荷数值源于移码依赖型表达导致的比对偏差，其数值与其他基因不具备生物学可比性。 总序列数：103,378,188 若您使用本数据集，请务必进行恰当引用。本数据集将用于我即将发表的期刊论文。此外，我最初于2025年启动该数据集的处理工作，后续将覆盖范围扩展至2020年至2025年——尽管部分文件夹标注为2025，但所有数据的实际覆盖时段均为2020年至2025年第三季度。 本研究与数据集处理由 [e-mail] 完成。