数据集简介
ProstT5Dataset 是由 Rostlab 发布的一个蛋白质序列相关数据集，主要用于训练或微调基于 T5 架构的蛋白质语言模型（如 ProstT5）。
主要用途
该数据集旨在支持蛋白质序列的表示学习、功能预测或生成任务，是生物信息学和计算生物学领域的研究资源。
数据类型/模态
- 主要模态：蛋白质序列数据（文本/字符串形式）。
- 数据格式：以 Parquet 格式存储，便于高效处理大规模数据。
规模与统计信息
- 数据量：包含约 1707 万行（17,071,776 条）记录。
- 下载量：373 次。
- 更新日期：2023年12月4日。
使用场景
- 蛋白质语言模型的预训练或微调。
- 蛋白质功能注释、结构预测或进化分析。
- 生物序列的机器学习和深度学习研究。
特点
- 数据集公开可用（非门控访问）。
- 支持多种数据处理库（如 datasets、dask、polars）。
- 专注于蛋白质序列，适用于专业生物计算任务。