数据集概述
本数据集包含训练PhageHostLearn系统的噬菌体受体结合蛋白（RBP）、克雷伯氏菌K-基因座序列数据，以及ESM-2嵌入特征和CD-HIT聚类分析结果，用于噬菌体宿主预测模型开发，共8个文件。
文件详解
- 数据文件
Locibase.json：JSON格式，克雷伯氏菌K-基因座序列数据集RBPbase.csv：CSV格式，包含噬菌体ID、蛋白ID、蛋白序列、DNA序列及XGB模型评分字段phage_host_interactions.csv：CSV格式，噬菌体与宿主相互作用关系数据esm2_embeddings_rbp.csv：CSV格式，噬菌体RBP的ESM-2嵌入特征数据esm2_embeddings_loci.csv：CSV格式，克雷伯氏菌K-基因座的ESM-2嵌入特征数据- 特征与聚类文件
hdc_features.txt：TXT格式，包含噬菌体与K-基因座的高维计算特征数据（如("KP_HGUA02_066", "A1a")对应的二进制特征向量）Locibase_clusters_50.txt：TXT格式，克雷伯氏菌K-基因座蛋白序列50%相似性聚类结果RBPbase_clusters_50.txt：TXT格式，噬菌体RBP序列50%相似性聚类结果
适用场景
- 噬菌体宿主预测模型开发：用于训练和优化基于序列特征的噬菌体-宿主匹配预测模型
- 噬菌体受体结合蛋白分析：研究RBP序列特征与宿主识别特异性的关联
- 克雷伯氏菌K-基因座聚类研究：分析不同K-基因座的序列相似性与进化关系
- 生物信息学特征工程：探索ESM-2嵌入、高维计算特征在微生物序列分析中的应用价值
