UniProt 蛋白质序列亲水性回归数据集

自然科学
0 下载
10 浏览
2026-09-25

数据集简介

数据来源与预处理流程

数据集中的蛋白质序列取自 UniProt 知识库(UniProtKB),通过 UniProt REST API 的流式接口(stream)批量拉取条目,避免逐条请求带来的开销。拿到序列后,使用 Biopython 中的 ProteinAnalysis 类逐个计算 gravy 值,作为该条目的数值标签写入表格。整个过程由脚本自动完成,保证序列与标签一一对应。

表格结构与字段含义

数据以表格形式组织,每条记录由两部分构成:

  • 蛋白质序列:UniProtKB 条目的氨基酸序列字符串,是模型的输入特征;
  • gravy 属性数值标签:该序列的平均亲水性(GRAVY, Grand Average of Hydropathy)得分,为连续实数,是回归任务的目标变量。

由于标签是连续数值而非离散类别,该数据集适用于回归建模,而非分类任务。

适用任务与使用方式

该数据集的核心用途是蛋白质级序列回归:给定一条氨基酸序列,预测其 gravy 属性。研究者可以据此构建从序列到理化属性的映射模型,也可将其作为蛋白质语言模型或序列特征提取流程的评测基准之一。使用时可从 HuggingFace 数据集页面获取数据,页面地址为 https://huggingface.co/datasets/swhitfield/uniprot_protparams_gravy,公开免费开放。

基本信息

记录数量未知
文件大小未知
文件格式表格
数据来源UniProt
数据模态蛋白质序列与数值标签
标签计算工具Biopython ProteinAnalysis
数据来源接口UniProt REST API
数据落地页https://huggingface.co/datasets/swhitfield/uniprot_protparams_gravy
发布日期2026-09-25
蛋白质序列亲水性预测UniProtKB回归任务生物信息学

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