Select Language

AI社区

公开数据集

p53基因突变体数据集

p53基因突变体数据集

526.96M
414 浏览
0 喜欢
2 次下载
0 条讨论
Health Classification

Data Set Information:突变型p53蛋白的生物物理模型产生的特征可用于预测p53转录活性。所有类别标签均通过体内分析确定。为了重......

数据结构 ? 526.96M

    Data Structure ?

    * 以上分析是由系统提取分析形成的结果,具体实际数据为准。

    README.md

    Data Set Information:

    突变型p53蛋白的生物物理模型产生的特征可用于预测p53转录活性。所有类别标签均通过体内分析确定。

    为了重建此数据集的历史子集,提供了以下文件:
    K8.instance.tags-为K8.data中的每个实例提供精确的标记,用于历史定义文件:
    K1.def-定义“K1”集中的实例。
    K2.def-定义“K2”集中的实例。
    K3.def-定义“K3”集中的实例。
    K4.def-定义“K4”集中的实例。
    K5.def-定义“K5”集中的实例。
    K6.def-定义“K6”集中的实例。
    K7.def-定义“K7”集中的实例。
    K8.def-定义“K8”(完整)集合中的实例。


    Attribute Information:

    每个实例总共有5409个属性。
    属性1-4826表示二维特征和基于曲面的特征。
    属性4827-5408表示基于三维距离的特征。
    属性5409是类属性,它是活动的或非活动的。
    类别标签解释如下:“活性”代表转录活性的活性p53,而“非活性”标签代表癌性的非活性p53。类标签是通过实验确定的。


    More information is provided in the relevant papers cited.

    Relevant Papers:

    Danziger, S.A., Baronio, R., Ho, L., Hall, L., Salmon, K., Hatfield, G.W., Kaiser, P., and Lathrop, R.H. (2009) Predicting Positive p53 Cancer Rescue Regions Using Most Informative Positive (MIP) Active Learning, PLOS Computational Biology, 5(9), e1000498

    Danziger, S.A., Zeng, J., Wang, Y., Brachmann, R.K. and Lathrop, R.H. (2007) Choosing where to look next in a mutation sequence space: Active Learning of informative p53 cancer rescue mutants, Bioinformatics, 23(13), 104-114.

    Danziger, S.A., Swamidass, S.J., Zeng, J., Dearth, L.R., Lu, Q., Chen, J.H., Cheng, J., Hoang, V.P., Saigo, H., Luo, R., Baldi, P., Brachmann, R.K. and Lathrop, R.H. (2006) Functional census of mutation sequence spaces: the example of p53 cancer rescue mutants, IEEE/ACM transactions on computational biology and bioinformatics / IEEE, ACM, 3, 114-125.


    Citation Request:

    If you use this dataset, please cite the relevant papers above.  Thank you.

    ×

    帕依提提提温馨提示

    该数据集正在整理中,为您准备了其他渠道,请您使用

    注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
    暂无相关内容。
    暂无相关内容。
    • 分享你的想法
    去分享你的想法~~

    全部内容

      欢迎交流分享
      开始分享您的观点和意见,和大家一起交流分享.
    所需积分:10 去赚积分?
    • 414浏览
    • 2下载
    • 0点赞
    • 收藏
    • 分享