- 15 次围观
噬菌体裂解酶和去聚糖酶与噬菌体生物学、抗微生物开发和蛋白质工程密切相关，但其序列和注释数据仍分散于通用数据库、专门资源、以基因为中心的集合以及面向预测的数据集中。我们提出 PhageLysData，这是一个具有证据感知和 AI 就绪特征的资源，通过可复现的多源整合、来源追踪和精确序列整合构建而成。该版本将来自七个主要资源的 807,366 条源观测整合为 759,105 个唯一的精确序列实体，其中包括 11,867 个有证据支持的核心实体、745,092 个仅预测的候选实体，以及为保留来源和参考信息而保留的 2,146 个上下文实体。该架构在维护非预测性与预测衍生支持之间清晰区分的同时，保留了广泛的序列空间覆盖。核心实体配备了统一的生物学注释、理化性质、独立的 InterProScan 功能注释、映射的 PDB 和 AlphaFold DB 结构资源，以及可复用的数值表征。对于 11,259 条符合条件的核心序列，PhageLysData 提供了 11 种蛋白语言模型的嵌入表示，以及在统一表征协议下的独热编码。面向发布的示例展示了潜在空间探索、无监督聚类、有监督分类以及证据感知的候选检索，而未定义统一的预测基准。PhageLysData 为涉及噬菌体裂解酶和去聚糖酶的蛋白检索、比较分析、任务特定数据集构建以及机器学习应用提供了一个可追溯、版本化且具备计算可访问性的基础。
噬菌体裂解酶和去聚糖酶与噬菌体生物学、抗菌药物开发及蛋白质工程密切相关，但其序列和注释数据仍分散于通用数据库、专门资源、以基因组为中心的汇编以及面向预测的数据集中。我们提出 PhageLysData，这是一个具备证据感知且面向 AI 的资源，通过可复现的多源整合、来源追踪与精确序列归并构建而成。该版本整合了来自七个主要资源的 807,366 条来源观测，汇总为 759,105 个唯一的精确序列实体，其中包括由证据支持的 Core 集合 11,867 个实体、745,092 个仅预测候选组成的 Prediction Extension，以及为来源追溯和参考保留的 2,146 个 Context 实体。该架构在保持广泛序列空间覆盖的同时，清晰区分了非预测支持与预测来源支持。Core 实体配备了统一的生物学注释、理化性质、通过 InterProScan 独立获得的功能注释、映射的 PDB 和 AlphaFold DB 结构资源，以及可复用的数值表示。对于 11,259 条符合条件的 Core 序列，PhageLysData 提供了来自 11 个蛋白语言模型的嵌入表示，并在统一表示契约下提供 one-hot 编码。面向版本发布的示例展示了潜在空间探索、无监督聚类、有监督分类以及证据感知候选检索，而未定义统一的预测基准。PhageLysData 为涉及噬菌体裂解酶和去聚糖酶的蛋白质检索、比较分析、任务特定数据集构建以及机器学习应用，提供了一个可追溯、可版本化且具有计算可访问性的基础。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.24.746620v1?rss=1
🏷️ 噬菌体裂解酶 去聚糖酶 数据集构建 证据感知 蛋白质语言模型