上海人工智能创新中心

本数据集以指令-序列-答案的流式文本序列为基本单元，融合了非结构化自然语言与结构化生物标记。 1、字段构成中，每条记录包括： 1）指令：自然语言描述的任务节点； 2）蛋白质序列：由20种标准氨基酸单字母组成的字符串，作为输入或输出项； 3）目标答案：可为自然语言文本、层级分类编码或全新设计的蛋白质序列； 2、统一序列化：文本采用标准子词分词器，蛋白质氨基酸残基采用单字符独立token化，二者纳入同一离散词汇表，不再引入额外的跨模态编码器，从而使得一条多模态样本可直接被标准Transformer架构处理。