deep-mutational-scan-evalation

收集DeepSequence文献中的数据，提供一个统一的测试方法

数据下载

• 数据下载地址
• 下载后，请将其在根目录下解压

统一数据视图

• 使用DeepSequence数据用手动收集了其wildtype以及其mut-fitness的数据

• 运行ETL.ipynb后可以获得data文件夹，下面包含了经过处理之后的数据

一部分数据缺失

• 由于水平和时间限制，一些数据库并没有找到对应的wildtype，如下：
  • parEparD_Laub2015_all
  • BG_STRSQ_hmmerbit
  • tRNA_mutation_effect
  • HG_FLU_Bloom2016
  • TIM_SULSO_b0
  • PA_FLU_Sun2015
  • POL_HV1N5-CA_Ndungu2014

数据总体上共有37组

• 总体上去除了找不到wt的数据集，剩下还剩37组数据

• 另外，数据集中描述为stablized的数据集，其wildtype均使用的是未经过stablized的数据集

数据集特殊情况

• 数据集中存在几种情况无法处理

  • wildtype长度超过1022，ESM1v无法存储
  • 多点突变
  • 数据集中有WT，与其他形式格式不同
  • 找到的sequence与csv中的不完全对应，需要进行修改

• 具体调整如下：

  • POLG_HCVJF_Sun2014: wildtype长度超过1022
  • PTEN_HUMAN_Fowler2018: 最后有一项是WT，需要手动在数据集里面删掉
  • PABP_YEAST_Fields2013-doubles: 双点突变，暂时处理不了
  • BRCA1_HUMAN_RING: wildtype长度超过1022
  • MTH3_HAEAESTABILIZED_Tawfik2015: 第26号位置csv中是A，而sequence中是C。并且由于这个是Stabilized，所以我们相信csv中的标记，将sequence改为A；同理104号将sequence的I改为K；115 M到L；181 F到L；327 C到R
  • UBC9_HUMAN_Roth2017: csv中159号位置有一个Y，但是sequence中没有，所以给sequence最后加入一个Y
  • UBE4B_MOUSE_Klevit2013-singles: 长度超过1022
  • TIM_THEMA_b0: 102号位置 C换成S
  • F7YBW7_MESOW_vae: 四点突变，暂时不处理
  • B3VI55_LIPSTSTABLE: 140号位置L变成I，142号位置从S变成A，373号位置A变成C
  • HIS7_YEAST_Kondrashov2017: 多点同时突变，暂时不处理
  • BRCA1_HUMAN_BRCT: 长度超过1022
  • TPMT_HUMAN_Fowler2018: 最后有一项是WT，需要手动在数据集里面删掉

• 因此，这里将经过处理的可以直接运行的data上传

安装环境

conda env create -f enviroment.yaml

处理K50_dG数据集

• 数据集来自于：
• 文章来自于:
• 将数据集下载，解压后放在Processed_K50_dG_datasets文件夹下

python process_data.py -i Processed_K50_dG_datasets/K50_dG_Dataset1_Dataset2.csv -o Processed_K50_dG_datasets/data -fc deltaG