ProteinGym基准概述

ProteinGym是一个广泛的深度突变扫描（DMS）测定集合，旨在使不同情况下的各种突变效果预测器进行全面比较。它包括两个基准：1）替代基准，包括对87个DMS测定中的约1.5M个错义变异进行实验表征；2）插入/删除（indel）基准，包括对7个DMS测定中的约300k个突变体进行实验表征。

每个基准中的每个处理文件都对应一个单独的DMS测定，并包含以下三个变量：

• 对于替代基准，它描述了用于获得突变序列的参考序列上要应用的替代集合（例如，A1P：D2N意味着替换位置1处的氨基酸'A'为'P'，并且替换位置2处的氨基酸'D'为'N'）
• 对于插入/删除基准，它对应于完整的突变序列

此外，我们提供两个参考文件（ProteinGym_reference_file_substitutions.csv和ProteinGym_reference_file_indels.csv），其中提供了关于每个测定的进一步详细信息，特别包括：

• 相应蛋白质的UniProt_ID，以及分类信息：taxon和MSA depth category
• 测定中使用的目标序列（target_seq）
• 有关如何从原始文件创建DMS_score以及如何将其二值化的详细信息

参考文献

如果您在工作中使用了ProteinGym，请引用以下论文：

Notin, P., Dias, M., Frazer, J., Marchena-Hurtado, J., Gomez, A., Marks, D.S., Gal, Y. (2022). Tranception: Protein Fitness Prediction with Autoregressive Transformers and Inference-time Retrieval. ICML.

链接

• 预印本： https://arxiv.org/abs/2205.13760
• 代码： https://github.com/OATML-Markslab/Tranception