蛋白质突变预测机器学习数据集ProteinMutationPredictionMachineLearningDataset-sgreiner
数据来源：互联网公开数据
标签：蛋白质结构, 氨基酸突变, 机器学习, 蛋白质预测, 结构生物学, 预测模型, 蛋白质工程, 数据挖掘
数据概述：
该数据集包含蛋白质突变相关的预测数据，记录了蛋白质序列在特定突变下的预测结果。主要特征如下：
时间跨度：数据未明确标注时间，可视为静态的蛋白质结构与突变预测结果。
地理范围：数据覆盖范围取决于蛋白质结构数据库中的蛋白质来源，通常为全球范围内。
数据维度：数据集包含多个关键字段，如pdbid（蛋白质数据库标识符）、chainid（链标识符）、variant（突变类型）、wt_idx（野生型氨基酸位置）、mt_idx（突变型氨基酸位置）、wt_nlf（野生型nlf）、mt_nlf（突变型nlf）、score_ml_fermi（fermi模型预测得分）、score_ml（机器学习模型预测得分）、pos（氨基酸位置）、wt_AA（野生型氨基酸）、mt_AA（突变型氨基酸）以及wt（野生型）。
数据格式：数据以CSV格式提供，文件名为cavity_pred_CUSTOM_A.csv，便于数据分析和模型构建。数据经过了预处理和整理，可以直接用于机器学习模型的训练和评估。
该数据集主要用于蛋白质结构与功能的研究，以及基于机器学习的蛋白质性质预测。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于结构生物学、蛋白质工程和计算生物学等领域的研究，例如蛋白质稳定性预测、突变对蛋白质结构影响的研究。
行业应用：为生物制药、生物技术公司提供数据支持，用于药物设计、蛋白质改造等。
决策支持：支持蛋白质工程领域的决策制定，如优化蛋白质设计、提高蛋白质表达效率等。
教育和培训：作为生物信息学、机器学习等课程的辅助材料，帮助学生和研究人员深入理解蛋白质结构与功能的关系。
此数据集特别适合用于探索氨基酸突变对蛋白质性质的影响，以及构建预测蛋白质功能的机器学习模型，从而加速药物研发和蛋白质工程的进程。
