TCR–肽–MHC 统一数据资源
数据集简介
资源构成与子集划分
数据集以 sample_id 为主键,所有表均为面向行的 Parquet 结构,共约 3.71M 行,划分为四个子集:
| 子集 | 行数 | 说明 |
|---|---|---|
| resource | 3,418,905 | 主资源表,其中 83,425 条为正样本 |
| benchmark | 57.5k | 评测用数据 |
| candidate_pool | 224k | 候选池数据 |
| immrep25 | 8.94k | 免疫库相关数据 |
页面体积标注区间为 1M–10M。
字段结构与序列信息
每条记录围绕 TCR–肽–MHC 复合物组织,标识字段包括 complex_id、mhc_epitope_id、mhc_id、epitope_id、tcr_id、mhca_id、mhcb_id 等,并保留来源字段 dataset 与标签字段 label。
MHC 侧记录物种、类别与类型(mhc_species、mhc_class、mhc_type),以及 α/β 链等位基因与序列(mhca_allele、mhcb_allele、mhca_seq、mhcb_seq)。表位侧包含类别、物种、序列、基因与分子类型(epitope_category、epitope_species、epitope_seq、epitope_gene、epitope_molecule)。TCR 侧记录链组成与物种(tcr_chains、tcr_species),并分别给出 α 链与 β 链的标识、V/J/D 基因与 CDR3 序列(tcra_id、tcra_vgene、tcra_jgene、tcra_seq_cdr3;tcrb_id、tcrb_vgene、tcrb_jgene、tcrb_dgene、tcrb_seq_cdr3),以及全长序列 tcra_seq、tcrb_seq。
为便于筛选,数据提供完整性标记:has_mhca_seq、has_mhcb_seq、has_epitope_seq、has_tcra_seq、has_tcrb_seq、has_all_sequences,并附结构标记 has_pdb。
分布偏移划分与评测用途
数据提供四组划分字段,用于刻画不同层面的分布偏移:fold_in_distribution、fold_tcr_shift、fold_pmhc_shift、fold_tcr_pmhc_shift。结合 benchmark 与 candidate_pool 子集,可在统一字段口径下开展 TCR–pMHC 结合评估与泛化性分析。
获取方式与文件版本
数据集公开可访问,可在页面 Files and versions 区域下载,也可通过 Datasets、pandas 或 Polars 加载。文件格式为 parquet 与 optimized-parquet,便于直接读取与列裁剪。许可标注为 other,具体条款名称未在页面列出。
引用信息
资源名称为 Harmonized TCR–pMHC resource,版本 v2026-06-11,发布页面记录日期为 2026-10-02;配套文章信息以项目页面为准。