蛋白质结构表征学习基准框架 ProteinWorksho
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。