HAVEN病毒蛋白质宿主预测模型数据集

数据集概述

该数据集包含用于预训练、微调及评估HAVEN模型的相关数据。HAVEN是基于病毒蛋白质序列的语言模型，预训练数据涵盖约一百二十万条病毒科蛋白质序列，可用于预测病毒蛋白质序列对应的宿主来源。

文件详解

• README.txt：文本格式，说明数据集用途、HAVEN模型背景及数据来源等信息
• uniref90_coronaviridae.zip：压缩格式，包含冠状病毒科的蛋白质序列数据
• uniref90_viruses.zip：压缩格式，包含病毒科的蛋白质序列数据

数据来源

• 病毒蛋白质序列：UniRef90
• 病毒宿主信息：欧洲分子生物学实验室-欧洲生物信息学研究所（EMBL-EBI）维护的欧洲核苷酸档案（ENA）

适用场景

• 病毒学研究：分析病毒蛋白质序列与宿主的关联
• 生物信息学模型开发：用于病毒蛋白质语言模型的训练与优化
• 病毒宿主预测：基于病毒蛋白质序列推断潜在宿主
• 传染病防控研究：辅助病毒跨物种传播风险评估