← 返回图谱

方法、来源与证据边界

来源报告的质谱指标与本次坐标核验分开记录;没有独立重分析原始谱图。

UniProt · HypDB关联研究 · ColPTMScape

结论

两份数据集不是同一份,也不是简单的全量/子集关系。atlas主要提供较广的编码序列目录、来源/类型和PTM图谱;ColFormerDB是从另一个预训练候选版本导出的关系数据库,包含更细的来源、两个划分协议、数据库区段、计算签名和Hyp观察。其源文件宣称的PRETRAIN_READY仅作为来源报告保存,本轮不把它当作独立验证结论。

序列身份(按完整序列SHA256)条数
atlas75,567
ColFormerDB10,471
两库完全相同编码序列10,337
仅atlas有65,230
仅DB有134
合并后唯一序列75,701

DB的98.72%序列可在atlas找到,但134条新增/不同版本序列不能丢弃。序列相同仅表示编码字符串相同,不表示物种、组织、异构体及修饰情境相同。同accession的不同序列版本保留为不同父链,ID映射及完整SHA见catalog/sequence_aliases.csv。

来源与字段差异

atlas主集29,663条、40,024,792残基;扩展45,887条;PTM参考17条。DB另增134条、142,110残基;未自动升级成天然核心。合并后的目录保留这四个范围。4条含B/Z/X的序列保留在目录和隔离清单,未偷偷替换成P或其他氨基酸。

DB有10,566条protein_sources、801条curated_domains、154,430条predicted_domains、30,610条hyp_observations和3,468条hyp_sites。数据库人工注释仍不是本轮独立实验结构;计算签名保留computed语义。原关系表及新增unified_*表同时存于catalog/unified.sqlite,因而没有舍弃计算签名或原始来源字段。

共享序列的代表accession、物种显示名和reviewed字段共9,635个字段差异,很多是代表来源或物种命名格式差异,不能直接解释为9,635条错序列。进一步检查类型和主要TaxID共96个差异字段,详见audit/type_taxonomy_differences.csv。两库元数据以source-specific JSON并存,没有按“新版本优先”静默覆盖。

划分不能直接合并

atlas原split与DB的standard_50_rebalanced、strict_family_50_multi是不同协议。每个protocol单独保留,交叉计数见audit/split_cross_tab.csv,不能把不同协议的train/validation/test标签拼为一个新测试集。DB每个协议也不是覆盖全部10,471条,未分配记录仍保留。

为在本项目既有历史边界下交付可读的训练数据,本轮仅从原Route A的28,636天然核心Train父链取交集,再用已知原组件、DB两个协议各自group关系及规范accession构建用于保守排除的关系并集。该并集不等价于新的生物同源实验证明,严格family分组还可能过度排除。与历史留出组相连的24,353条原Train被列出排除,保守剩4,283条、4,639,861残基。

这个训练包可用于MLM/DAPT管线或小规模先导,不应称为充分训练35M Scratch的语料。需要更大正式语料时,应在新的协议版本重建同源关系和评价,而不是把排除记录重新塞回本包。完整候选池未删除,另存NOT_FOR_PRIMARY辅助表。

Development63、历史审计179、旧确认310及封存475父链的角色保留。旧开发/确认已查看,不能变成新独立测试。没有运行475模型评分或训练。没有重新执行全库近同源/长局部对齐召回验证,故不能声称本次已认证严格无泄漏。

Hyp合并与去重单位

atlas原始Hyp有5,209条,其中5,206条源坐标有效;另有555条已有局部版本投影。DB有30,610条Hyp观察。合并时不把这些表的行数直接当作独立实验数。

逐来源保持后,本轮通过源映射标记与确切父链P残基核对的显示记录35,296条,atlas贡献5,761条(含555投影),DB贡献29,535条。1,078条隔离,不生成有效位点。归并为5,413个“确切序列×P位置”,其中4个位点同时出现3Hyp/4Hyp情境记录;保留各自来源,不投票选一个类型。Hyp_unspecified也不改写为4Hyp。

检出1,953组潜在跨包重复的原始来源断言,使用序列、位置、类型、来源家族、taxID和组织作候选匹配。它们不是已确证完全重复,更不是独立重复实验;原始记录不删除,候选组单列供追溯。HypDB_S2派生汇总、共享肽、版本映射和定位限制保存在source_payload_json,不因合并而提高证据等级。

87条源库标记为H1的记录通过坐标核对,单独输出,但本轮没有重分析原始谱图、核验全部原文或证明化学异构体。未注释P始终unknown,不生成未羟化负样本,Hyp注释完全不进入主序列MLM输入。

交付与使用

未执行源包内Python/批处理脚本,没有训练模型,没有新增数据库查询。原ZIP和项目历史资产保持原位;所有新增结果均位于本独立工作区。

下载文件保留来源与版本。上游数据库及原文的使用条款由各来源规定;此站没有为原始质谱文件另行授予许可。