L'ensemble de données de séquences protéiques UniRef50 provient de la base de connaissances UniProt, et les résultats des articles associés sont «AMix-1 : une voie vers un modèle de base protéique évolutif au cours des tests".

Cet ensemble de données, dérivé d'UniProtKB et filtré à partir des séquences UniParc par clustering itératif (UniProtKB+UniParc → UniRef100 → UniRef90 → UniRef50), contient 41 546 293 séquences d'apprentissage et 82 929 séquences de validation. Ce processus itératif garantit une représentation de haute qualité, non redondante et diversifiée des séquences UniRef50, offrant une couverture étendue de l'espace des séquences protéiques pour les modèles de langage protéique.