提出 SCL2205 基准数据集与可信开发流程以解决蛋白质亚细胞定位预测中的数据泄漏问题

《Bioinformatics》:Developing SCL2205: A Protein Sequence-based Spatial Modelling Dataset for the Protein Language Model Frontier

【字体: 大 中 小 】 时间:2026年09月19日 来源:Bioinformatics 5.5

编辑推荐:

   摘要 背景 深度学习(DL)在蛋白质亚细胞定位(SCL)预测方面取得了显著进展,但其潜力仍受到输入数据准备不足和高质量参考数据有限的限制。此外,

  

摘要

背景

深度学习(DL)在蛋白质亚细胞定位(SCL)预测方面取得了显著进展,但其潜力仍受到输入数据准备不足和高质量参考数据有限的限制。此外,现有的最先进(SoTA)预测模型由于在同源性增强过程中存在未缓解的训练数据泄漏问题,导致性能指标虚高。我们通过引入 SCL2205 来应对这些挑战,这是一个专门构建的、旨在支持可信、可扩展且可重复的基于DL的SCL建模的基准数据集和开发流程,该流程旨在最小化数据泄漏。

结果

SCL2205 是基于通用蛋白质知识库(UniProtKB),通过严格的预处理、手动标签映射和精确划分构建的。在独立测试集上进行评估时,SCL2205 在精确度-召回曲线(PR-AUC)上的提升达到了10.8个百分点(相比之下,SoTA基线的平均提升为 Δ 95%CI=0.07?0.12),与现代蛋白质语言模型(PLMs)结合使用时效果最佳。重要的是,我们首次量化了传统同源性增强工作流程中的系统性数据泄漏率,即使将序列相似性搜索范围限制在训练集的10%以内,该泄漏率仍高达 5.2%±0.32。

该数据集在Dryad网站上以CC0 1.0通用许可证公开提供(https://doi.org/10.5061/dryad.2ngf1vj1t)。数据集的接口可作为可安装的Python包(p-scldata,版本v2026.2.0)在Python包索引(PyPI)下根据MIT许可证发布。完整代码和数据存储在GitHub(https://github.com/ousodaniel/scodata)上,并存档在Zenodo(https://doi.org/10.5281/zenodo.21796423)上。
补充文件S1包含了代码片段、各类别的PR-AUC统计信息、类别分布详情、统计比较测试结果和补充图表。补充文件S2则包含用于数据 curation 的具体映射信息。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号