L'ensemble de données ProtT3 a été construit conjointement par des équipes de recherche de l'Université nationale de Singapour, de l'Université des sciences et technologies de Chine et de l'Université d'Hokkaido en 2024.ProtT3 : Génération de protéines en texte pour une compréhension des protéines basée sur le texte" et a été sélectionné pour l'ACL 2024. Cet ensemble de données est un ensemble de données de pré-formation pour la recherche sur papier.

L'ensemble de données ProtT3 se compose de trois ensembles de données : Swiss-Prot, ProteinKG25 et PDB-QA.

Comme le montre le tableau ci-dessus, Swiss-Prot est une base de données de séquences protéiques avec des annotations textuelles. Les chercheurs ont traité l’ensemble de données et exclu les noms de protéines des annotations textuelles pour éviter toute fuite d’informations. La description textuelle générée relie les annotations de la fonction, de l'emplacement et de la famille des protéines.

ProteinKG25 est un graphe de connaissances dérivé de la base de données GeneOntology. Les chercheurs ont d’abord agrégé des triplets de la même protéine, puis ont rempli les informations sur la protéine dans un modèle de texte prédéfini pour convertir ses triplets en texte libre.

PDB-QA est un ensemble de données de réponses aux questions protéiques à tour unique dérivé de RCSB PDB2. Contient 30 modèles de questions sur la structure des protéines, leurs propriétés et des informations supplémentaires. Comme le montre le tableau ci-dessous, pour une évaluation plus précise, les chercheurs ont divisé les questions en quatre catégories en fonction du format de la réponse (chaîne ou nombre) et du contenu (structure/attribut ou informations supplémentaires).