ProtT3 数据集由新加坡国立大学、中国科学技术大学和北海道大学的研究团队于 2024 年联合构建，相关论文成果为「ProtT3: Protein-to-Text Generation for Text-based Protein Understanding」，并已入选 ACL 2024 。该数据集为论文研究的预训练数据集。 ProtT3 数据集由 Swiss-Prot 、 ProteinKG25 和 PDB-QA 这 3 个数据集构成。

如上表所示，Swiss-Prot 是一个带有文本注释的蛋白质序列数据库，研究人员对数据集进行处理，并从文本注释中排除了蛋白质名称，以防止信息泄露。生成的文本描述连接蛋白质功能、位置和家族的注释。 ProteinKG25 是 GeneOntology 数据库派生出的知识图谱。研究人员首先将相同蛋白质的 triples 聚合起来，然后将蛋白质信息填充到预定义的文本模板中，将其 triples 转换为自由文本。 PDB-QA 是从 RCSB PDB2 派生的蛋白质单轮问答数据集。包含关于蛋白质结构、性质和补充信息的 30 个问题模板。如下表所示，为了进行细粒度的评估, 研究人员根据答案的格式（字符串或数字）和内容焦点（结构/属性或补充信息）将问题分为 4 类。

Citation

“`bib @inproceedings{liu2024prott, title={ProtT3: Protein-to-Text Generation for Text-based Protein Understanding}, author={Liu, Zhiyuan and Zhang, An and Fei, Hao and Zhang, Enzhi and Wang, Xiang and Kawaguchi, Kenji and Chua, Tat-Seng}, booktitle={{ACL}}, publisher = {Association for Computational Linguistics}, year={2024}, url={https://openreview.net/forum?id=ZmIjOPil2b} }