Datasetpublic

im-sangwoon/protein-sft-uniprot

protein-sft-uniprot 단백질 연구 특화 LLM 학습을 위한 SFT(Supervised Fine-Tuning) 데이터셋입니다. UniProt 데이터베이스와 단백질 문헌에서 추출한 Q&A 형식의 대화 데이터로 구성되어 있습니다. Dataset Summary Total samples 1,551,711 Unique proteins 455,613 Format JSONL (chat messages) Size 462MB Sources Source Samples Description UniProtQA 1,513,126 UniProt 데이터베이스에서 구조화된 단백질 정보 추출 Protein2Text-QA 38,585 단백질 관련 문헌 기반 심화 Q&A Question Types Type… See the full description on the dataset page: https://huggingface.co/datasets/im-sangwoon/protein-sft-uniprot.

sourceHugging Faceapache-2.0updated 7mo agoView on Hugging Face

0likes29downloads

Dataset Card

protein-sft-uniprot

단백질 연구 특화 LLM 학습을 위한 SFT(Supervised Fine-Tuning) 데이터셋입니다.

UniProt 데이터베이스와 단백질 문헌에서 추출한 Q&A 형식의 대화 데이터로 구성되어 있습니다.

Dataset Summary


Total samples	1,551,711
Unique proteins	455,613
Format	JSONL (chat messages)
Size	462MB

Sources

Source	Samples	Description
UniProtQA	1,513,126	UniProt 데이터베이스에서 구조화된 단백질 정보 추출
Protein2Text-QA	38,585	단백질 관련 문헌 기반 심화 Q&A

Question Types

Type	Samples	Example
Official names	455,612	"What are the official names of Hemoglobin subunit alpha?"
Protein family	407,551	"What is the protein family that Insulin belongs to?"
Function	381,776	"What is the function of Acetyl-CoA carboxylase?"
Subcellular location	274,361	"What are the subcellular locations of TP53?"
Sequence	365	Amino acid sequence related questions
Other (literature-based)	32,046	Genotype-phenotype relationships, expression significance, etc.

Data Format

각 샘플은 messages 형식의 chat 구조입니다:

json

{
  "messages": [
    {"role": "user", "content": "What is the function of Acetyl-coenzyme A carboxylase carboxyl transferase subunit beta?"},
    {"role": "assistant", "content": "Component of the acetyl coenzyme A carboxylase (ACC) complex..."}
  ],
  "source": "UniProtQA",
  "protein_id": "ACCD_HAEIE"
}

Usage

python

from datasets import load_dataset

dataset = load_dataset("im-sangwoon/protein-sft-uniprot")

Intended Use

—단백질 연구 특화 LLM fine-tuning
—Bioinformatics Q&A 시스템 구축
—단백질 지식 기반 챗봇 학습

Related Model

이 데이터셋으로 학습된 모델: im-sangwoon/chatprot-qwen2.5-32b-lora