蛋白质结构表征学习基准框架 ProteinWorksho

自然语言
0 下载
2 浏览
2023-08-27

数据集简介

项目定位与论文来源

ProteinWorkshop 是论文《Evaluating Representation Learning on the Protein Structure Universe》(ICLR 2024)的配套代码与数据基准,面向蛋白质结构表征学习提供统一的评测框架。框架整合了大量预训练语料、下游任务数据集、模型以及训练与任务工具,使不同表征学习方法能够在同一套数据与流程下比较。相关工作由 Arian R. Jamasb(剑桥大学)主导,代码与数据托管于 a-r-j/ProteinWorkshop 仓库。

安装方式

框架提供两种安装途径:从 PyPI 直接安装,或从源码构建。仓库根目录保留 .env.example、pyproject.toml、citation.bib 与 CHANGELOG.md 等配置文件,便于配置环境、管理依赖与引用论文。

数据获取与打包文件

使用数据集无需单独下载:首次运行时,框架会自动从各数据集的原始来源下载并处理。同时,项目也提供原始与处理后数据集的打包文件,格式为 tar.gz,合计约 16.0 GB,其中单文件最大的是 PostTranslationalModification.tar.gz(6.5 GB)与 cath.tar.gz(4.3 GB)。打包文件清单如下:

  • AntibodyDevelopability.tar.gz
  • cath.tar.gz
  • ccpdb.tar.gz
  • deep-sea-proteins.tar.gz
  • ECReaction.tar.gz
  • FoldClassification.tar.gz
  • GeneOntology.tar.gz
  • masif_site.tar.gz
  • Metal3D.tar.gz
  • PostTranslationalModification.tar.gz

模型与任务

模型部分区分不变图编码器与等变图编码器两类,分别对应不同的几何对称性假设。任务分为自监督任务与通用监督任务:前者用于预训练阶段构造学习信号,后者用于下游评估。

特征化方案

框架把输入表示拆解为多个可配置维度:不变节点特征、等变节点特征、边构建方式、不变边特征与等变边特征。使用者可以组合这些方案,构成完整的图表示流水线。

快速上手流程

文档给出从数据到评估的完整操作路径:下载数据集、训练模型、微调模型、运行扫描实验、嵌入数据集、可视化数据集嵌入、对预训练模型执行归因分析、校验配置,以及以函数式方式调用 proteinworkshop 模块。仓库同时提供 notebooks 与 tests 目录,方便交互式使用与测试。

面向开发者

开发者文档涵盖依赖管理、代码格式化与文档编写三部分;config/sweeps/ 目录用于存放实验扫描配置。

许可与引用

数据集采用知识共享署名 4.0 国际许可(CC BY 4.0),代码仓库采用 MIT 许可。引用信息见仓库中的 citation.bib。

基本信息

记录数量未知
文件大小数据集打包文件合计约 16.0 GB;单文件最大为 PostTranslationalModific
文件格式tar.gz
数据来源ProteinWorkshop 项目组(剑桥大学 Arian R. Jamasb 等)
数据规模约 16.0 GB
许可协议CC BY 4.0
代码许可MIT
数据模态蛋白质三维结构及表格标签
数据落地页https://github.com/a-r-j/ProteinWorkshop
发布日期2023-08-27
蛋白质结构表征学习基准框架自监督预训练图神经网络

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费